Subtitel hasil terjemahan otomatis sudah cukup bagus untuk hal yang sebenarnya diinginkan kebanyakan penonton — mengikuti situasinya, siapa berperan sebagai apa, dan arah umum sebuah percakapan. Subtitel itu tidak cukup bagus untuk apa pun yang bergantung pada susunan kata persis dalam satu baris.

Pembagian itu bukan sikap cari aman. Itu akibat langsung dari cara pipeline-nya dibangun: dua tahap otomatis yang berderet, ketika kekeliruan tahap pertama jadi masukan tahap kedua, dan tahap kedua tidak punya cara untuk tahu bahwa yang sedang dia terjemahkan tidak pernah diucapkan.

Apa yang sebenarnya terjadi saat subtitel dibuat otomatis?

Dua sistem terpisah berjalan berurutan, dan keduanya tidak saling menjawab.

Tahap pertama adalah pengenalan suara otomatis (ASR). Tahap ini mengubah trek audio jadi teks bahasa Jepang lengkap dengan pewaktuannya. Inilah tahap yang berat untuk materi seperti ini, dan di sinilah sebagian besar kerusakan terjadi.

Tahap kedua adalah terjemahan mesin (MT). Tahap ini mengambil teks bahasa Jepang tadi lalu menghasilkan bahasa Inggris. MT modern benar-benar kuat di sini — asalkan masukannya bersih dan benar.

Masalahnya ada di sambungan antara keduanya. Tahap kedua menerima teks, bukan audio. Ia tidak bisa mendengar bahwa tahap pertama sedang menebak. Kata yang salah dengar tiba dengan rupa persis seperti kata yang benar didengar, dan MT melakukan tugasnya: menghasilkan keluaran yang lancar dan gramatikal. Hasilnya kalimat yang terbaca sempurna dan bermakna sesuatu yang tidak pernah diucapkan.

Kenapa materi ini lebih sulit daripada audio yang dipakai menyetel sistem-sistem itu?

Karena pengenalan suara sebagian besar dilatih dan diuji dengan audio siaran, kuliah, dan rapat, sedangkan video dewasa melanggar hampir semua andaian yang terkandung dalam materi tersebut.

  • Pembicara saling menimpa. ASR dibangun dengan andaian orang bergantian bicara. Ucapan yang bersamaan bisa menyusut jadi baris satu pembicara saja atau jadi campuran keduanya.
  • Sebagian besar audionya bukan kata-kata. Napas dan vokalisasi mengisi ruang akustik tempat sistem mengharapkan kata, dan sistem yang condong mencari ucapan akan menemukan ucapan.
  • Kondisi perekamannya sangat beragam. Pengambilan dengan kamera genggam dan satu mikrofon menghasilkan rasio ucapan terhadap derau yang jauh di bawah patokan siaran.
  • Jendela konteksnya tipis. MT mengurai keambiguan lewat kalimat di sekitarnya. Dialog di sini sering berupa seruan pendek yang berdiri sendiri, nyaris tanpa teks sekitar yang bisa dipakai memperjelas.
  • Bahasa Jepang membuang subjek. Kalimat Jepang yang gramatikal sering tidak menyebut siapa yang bicara, kepada siapa dia bicara, dan apakah rujukannya tunggal. Bahasa Inggris menuntut kata ganti, jadi penerjemahnya harus mengarang satu — dan dia akan memilih nilai bawaan yang masuk akal lalu menyatakannya dengan penuh percaya diri.
  • Sapaan hormat dan tingkat tutur tidak punya tempat dalam bahasa Inggris. Informasi relasional yang dibawa tingkat kesopanan termasuk yang paling awal hilang.

Tidak satu pun dari semua ini bisa diselesaikan dengan model terjemahan yang lebih baik, karena tidak satu pun dari semua ini masalah penerjemahan.

Kesalahan macam apa yang harus Anda antisipasi, dan seberapa parah masing-masing?

Kesalahannya terpilah rapi menurut tahap mana yang menghasilkannya, dan itu menentukan seberapa mungkin kesalahan itu dipulihkan.

Jenis kesalahan Berasal dari Wujudnya di layar Dampak pada pemahaman
Dialog karangan di atas audio non-ucapan ASR Baris muncul padahal tidak ada yang bicara Rendah — kentara, gampang diabaikan
Kata salah dengar yang disajikan dengan lancar ASR Kalimat gramatikal yang tidak nyambung dengan adegannya Tinggi — tidak kasatmata, dan terdengar masuk akal
Nama berubah jadi kata biasa ASR Nama orang diganti kata benda yang bunyinya mirip Sedang — membingungkan tapi bisa terdeteksi
Jenis atau jumlah kata ganti keliru MT "He" dan "she" bertukar untuk orang yang sama Sedang — mengganggu, biasanya masih bisa disimpulkan
Sapaan hormat dan tingkat tutur diratakan MT Semua orang bicara dengan nada netral yang sama Sedang — nuansa relasional hilang sepenuhnya
Idiom diterjemahkan harfiah MT Alih bahasa kata per kata yang tidak bermakna apa-apa Rendah — jelas kelihatan omong kosong
Permainan kata dan pelesetan MT Diterjemahkan harfiah, atau diganti sesuatu yang tidak berhubungan Tinggi — leluconnya lenyap begitu saja
Ucapan bertumpuk disusutkan jadi satu baris ASR Hanya pembicara yang lebih keras yang muncul Sedang — Anda kehilangan pertukarannya

Dua baris berdampak tinggi itu punya satu sifat yang sama: Anda tidak bisa mendeteksinya hanya dari subtitelnya. Semua yang lain menampakkan dirinya sendiri. Kata salah dengar yang diubah jadi bahasa Inggris yang lancar tidak, dan justru itulah sebabnya ia paling penting.

Kapan Anda bisa memercayainya, dan kapan sebaiknya tidak?

Percayai untuk kesinambungan dan situasi; curigai di setiap titik ketika maknanya menopang pemahaman.

Wajar untuk diandalkan:

  • Mengikuti siapa yang hadir, apa yang sedang terjadi, dan bagaimana adegannya berkembang
  • Register emosi secara garis besar — setuju, menolak, ragu
  • Pertukaran berulang yang formulaik, ketika konteksnya sudah membuat maknanya berlebihan
  • Memutuskan apakah sebuah adegan memang yang Anda cari

Layak dicurigai:

  • Setiap baris yang tampak membuka poin cerita, hubungan, atau premis
  • Nama orang, tempat, merek, dan sebutan label
  • Apa pun yang disajikan sebagai lelucon atau pelesetan
  • Baris saat dialog bertumpuk atau derau latar sedang berat
  • Isyarat kesopanan dan tingkat tutur, kalau hubungan antarorang itu penting
  • Angka dan waktu, yang gampang sekali salah dikenali ASR

Aturan praktisnya: kalau satu baris subtitel mengubah pemahaman Anda atas keseluruhan adegan, anggap baris itu belum terverifikasi. Informasi cerita yang sungguhan biasanya diulang atau ditunjukkan secara visual. Pengungkapan yang muncul tepat sekali, dalam satu baris, dan tidak pernah muncul lagi lebih mungkin artefak pipeline daripada poin naskah.

Bagaimana cara menilai sebuah trek dengan cepat?

Tonton beberapa menit pertama dengan lima pemeriksaan ini, dan mutu treknya akan langsung kelihatan.

Pemeriksaan Yang dilakukan trek yang lemah
Adakah baris yang muncul saat sunyi atau saat audio non-ucapan? Ada, sering
Apakah nama orang dieja sama setiap kali? Tidak — ejaannya bergeser atau jadi kata benda umum
Apakah kata ganti tetap konsisten untuk satu orang? Tidak — berbolak-balik antarbaris
Apakah semua baris seragam pendek dan panjangnya mirip? Ya — hasil pemenggalan otomatis
Apakah idiomnya terbaca sebagai omong kosong harfiah? Ya — tidak ada penulisan ulang secara idiomatis

Dua atau lebih dari ini berarti Anda sedang menonton keluaran pipeline otomatis, dan mutunya tidak akan membaik di sisa durasinya. Itu perlu diketahui sejak awal, karena ia memberi tahu Anda seberapa besar bobot yang pantas diberikan pada tiap baris selama satu dua jam berikutnya.

Pertanyaan terkait

Platform mana saja yang menyediakan rilisan bersubtitel berbeda-beda jauh — lihat apa yang sudah kami indeks di daftar situs.