ซับไตเติลที่แปลอัตโนมัติดีพอสำหรับสิ่งที่ผู้ชมส่วนใหญ่ต้องการจริง ๆ คือการตามสถานการณ์ ตามบทบาทของตัวละคร และตามทิศทางคร่าว ๆ ของบทสนทนา แต่มันไม่ดีพอสำหรับอะไรก็ตามที่ขึ้นอยู่กับถ้อยคำแม่นยำของบรรทัดใดบรรทัดหนึ่ง

การแบ่งแบบนี้ไม่ใช่การพูดกั๊ก มันเป็นผลโดยตรงจากวิธีที่ระบบถูกสร้างขึ้น คือสองขั้นตอนอัตโนมัติต่อกันเป็นอนุกรม ที่ความผิดพลาดของขั้นแรกกลายเป็นข้อมูลเข้าของขั้นที่สอง และขั้นที่สองก็ไม่มีทางรู้เลยว่ากำลังแปลสิ่งที่ไม่เคยมีใครพูด

เกิดอะไรขึ้นจริง ๆ ตอนซับไตเติลถูกสร้างอัตโนมัติ?

มีระบบสองระบบที่แยกจากกันทำงานต่อกันเป็นลำดับ และทั้งสองไม่คุยกลับหากัน

ขั้นที่หนึ่งคือการรู้จำเสียงพูดอัตโนมัติ (ASR) มันแปลงแทร็กเสียงให้เป็นข้อความภาษาญี่ปุ่นพร้อมเวลากำกับ นี่คือขั้นที่ยากสำหรับเนื้อหาประเภทนี้ และเป็นจุดที่ความเสียหายส่วนใหญ่เกิดขึ้น

ขั้นที่สองคือการแปลด้วยเครื่อง (MT) มันรับข้อความภาษาญี่ปุ่นนั้นมาแล้วผลิตภาษาอังกฤษออกมา MT สมัยใหม่เก่งเรื่องนี้จริง ๆ ถ้าข้อมูลเข้าสะอาดและถูกต้อง

ปัญหาอยู่ที่รอยต่อระหว่างสองขั้น ขั้นที่สองรับข้อความมา ไม่ได้รับเสียง มันไม่มีทางได้ยินว่าขั้นแรกเดาเอา คำที่ฟังผิดมาถึงในสภาพที่ดูเหมือนคำที่ฟังถูกทุกประการ แล้ว MT ก็ทำสิ่งที่มันถูกสร้างมาให้ทำ คือผลิตผลลัพธ์ที่ลื่นไหลและถูกไวยากรณ์ ผลที่ได้คือประโยคที่อ่านแล้วสมบูรณ์แบบ และมีความหมายที่ไม่มีใครเคยพูด

ทำไมเนื้อหาแบบนี้จึงยากกว่าเสียงที่ระบบเหล่านี้ถูกปรับจูนมา?

เพราะการรู้จำเสียงพูดถูกฝึกและวัดผลกับเสียงจากรายการออกอากาศ การบรรยาย และการประชุมเป็นหลัก ส่วนหนังผู้ใหญ่ก็ละเมิดแทบทุกข้อสมมติที่เสียงเหล่านั้นบรรจุไว้

  • ผู้พูดพูดทับกัน ASR ถูกสร้างขึ้นบนแนวคิดการผลัดกันพูด เสียงพูดพร้อมกันจึงยุบลงเหลือประโยคของผู้พูดคนเดียว หรือไม่ก็ออกมาเป็นการผสมของทั้งสองคน
  • เสียงส่วนใหญ่ไม่ใช่คำพูด เสียงหายใจและเสียงเปล่งครองพื้นที่ทางเสียงที่ระบบคาดว่าจะเจอคำ และระบบที่โน้มเอียงไปหาการหาคำพูดก็จะหาคำพูดจนเจอ
  • สภาพการบันทึกแตกต่างกันสุดขั้ว การถ่ายด้วยมือและการใช้ไมโครโฟนตัวเดียวให้อัตราส่วนเสียงพูดต่อเสียงรบกวนที่ต่ำกว่าเกณฑ์ของงานออกอากาศมาก
  • บริบทรอบข้างมีน้อย MT คลี่คลายความกำกวมโดยอาศัยประโยคที่อยู่รอบ ๆ แต่บทสนทนาในหนังแบบนี้มักเป็นคำอุทานสั้น ๆ ที่โดดเดี่ยว แทบไม่มีข้อความรอบข้างให้ใช้แก้ความกำกวมเลย
  • ภาษาญี่ปุ่นละประธาน ประโยคภาษาญี่ปุ่นที่ถูกไวยากรณ์มักละว่าใครพูด พูดกับใคร และสิ่งที่อ้างถึงเป็นเอกพจน์หรือไม่ ภาษาอังกฤษต้องมีคำสรรพนาม ตัวแปลจึงต้องประดิษฐ์ขึ้นมา แล้วมันก็จะเลือกค่าเริ่มต้นที่ดูสมเหตุสมผลและระบุมันออกมาอย่างมั่นใจเต็มที่
  • คำแสดงความสุภาพและระดับภาษาไม่มีช่องรองรับในภาษาอังกฤษ ข้อมูลเรื่องความสัมพันธ์ที่ระดับภาษาแบกไว้เป็นสิ่งแรก ๆ ที่หายไป

ไม่มีข้อไหนแก้ได้ด้วยโมเดลแปลที่ดีขึ้น เพราะไม่มีข้อไหนเป็นปัญหาของการแปลเลย

ควรคาดหวังความผิดพลาดแบบไหนบ้าง และแต่ละแบบแย่แค่ไหน?

ความผิดพลาดแยกออกจากกันได้ชัดเจนตามว่าขั้นตอนไหนเป็นคนสร้างมัน และนั่นก็ตัดสินว่ากู้คืนได้แค่ไหน

ประเภทความผิดพลาด เกิดที่ บนจอมันหน้าตาอย่างไร ผลต่อความเข้าใจ
แต่งบทสนทนาขึ้นมาทับเสียงที่ไม่ใช่คำพูด ASR มีบรรทัดโผล่มาทั้งที่ไม่มีใครพูด ต่ำ เพราะเห็นชัดและมองข้ามได้ง่าย
คำที่ฟังผิดแต่ถูกเรนเดอร์ออกมาอย่างลื่นไหล ASR ประโยคที่ถูกไวยากรณ์แต่ไม่เข้ากับฉาก สูง เพราะมองไม่เห็นและดูน่าเชื่อ
ชื่อคนกลายเป็นคำธรรมดา ASR ชื่อคนถูกแทนที่ด้วยคำนามที่เสียงคล้ายกัน ปานกลาง สับสนแต่จับได้
เพศหรือพจน์ของสรรพนามผิด MT "เขา" กับ "เธอ" สลับกันไปมาสำหรับคนเดียวกัน ปานกลาง สะดุด แต่มักเดาออก
คำสุภาพและระดับภาษาถูกปรับให้เรียบเสมอกัน MT ทุกคนพูดด้วยโทนกลาง ๆ เหมือนกันหมด ปานกลาง ความละเอียดอ่อนของความสัมพันธ์หายไปทั้งหมด
สำนวนถูกแปลตรงตัว MT การแปลทีละคำที่อ่านแล้วไม่ได้ความ ต่ำ เพราะดูออกว่าไม่เป็นเรื่อง
การเล่นคำและมุกตลก MT ไม่แปลตรงตัวก็ถูกแทนที่ด้วยอะไรที่ไม่เกี่ยวกัน สูง เพราะมุกหายไปเฉย ๆ
เสียงพูดทับกันถูกยุบเหลือบรรทัดเดียว ASR โผล่มาเฉพาะผู้พูดที่เสียงดังกว่า ปานกลาง คุณเสียบทโต้ตอบไป

สองแถวที่ผลกระทบสูงมีคุณสมบัติร่วมกันคือ คุณตรวจจับมันจากตัวซับไตเติลอย่างเดียวไม่ได้ อย่างอื่นประกาศตัวเองหมด ส่วนคำที่ฟังผิดแล้วถูกแปลออกมาเป็นภาษาอังกฤษที่ลื่นไหลนั้นไม่ประกาศตัว ซึ่งเป็นเหตุผลที่มันสำคัญที่สุดพอดี

เมื่อไรควรเชื่อ และเมื่อไรไม่ควร?

เชื่อมันเรื่องความต่อเนื่องและสถานการณ์ และอย่าเชื่อในจุดที่ความหมายเป็นตัวรับน้ำหนัก

พอจะพึ่งพาได้:

  • ตามว่าใครอยู่ในฉาก เกิดอะไรขึ้น และฉากดำเนินไปอย่างไร
  • ระดับอารมณ์กว้าง ๆ เช่น การเห็นด้วย การปฏิเสธ ความลังเล
  • บทโต้ตอบซ้ำ ๆ ตามสูตร ที่บริบททำให้ความหมายซ้ำซ้อนอยู่แล้ว
  • การตัดสินว่าฉากนี้ใช่สิ่งที่คุณกำลังหาอยู่หรือเปล่า

ควรระแวง:

  • บรรทัดใดก็ตามที่ดูเหมือนเปิดเผยจุดพลิกของเรื่อง ความสัมพันธ์ หรือโครงเรื่อง
  • ชื่อคน ชื่อสถานที่ ชื่อแบรนด์ และการอ้างถึงค่าย
  • อะไรก็ตามที่นำเสนอในฐานะมุกตลกหรือการเล่นคำ
  • บรรทัดที่อยู่ในช่วงบทสนทนาทับกันหรือมีเสียงรบกวนหนัก
  • สัญญาณเรื่องความสุภาพและระดับภาษา ถ้าความสัมพันธ์ระหว่างคนมีความสำคัญ
  • ตัวเลขและเวลา ซึ่ง ASR ฟังผิดได้ง่ายมาก

กฎที่ใช้ได้จริงคือ ถ้าซับไตเติลบรรทัดเดียวเปลี่ยนความเข้าใจของคุณต่อทั้งฉาก ให้ถือว่ามันยังไม่ผ่านการตรวจสอบ ข้อมูลของโครงเรื่องที่เป็นจริงมักถูกพูดซ้ำหรือแสดงให้เห็นทางภาพ การเปิดเผยที่โผล่มาครั้งเดียวเป๊ะ ๆ ในบรรทัดเดียว แล้วไม่กลับมาอีกเลย มีแนวโน้มเป็นเศษซากจากกระบวนการมากกว่าเป็นจุดหนึ่งของบท

จะประเมินแทร็กหนึ่งอย่างรวดเร็วได้อย่างไร?

ดูไม่กี่นาทีแรกด้วยการตรวจห้าข้อนี้ แล้วเกรดของแทร็กนั้นจะชัดเจนเอง

สิ่งที่ตรวจ แทร็กที่อ่อนทำอะไร
มีบรรทัดโผล่มาระหว่างความเงียบหรือเสียงที่ไม่ใช่คำพูดไหม? มี และบ่อยด้วย
ชื่อคนสะกดเหมือนเดิมทุกครั้งไหม? ไม่ มันเพี้ยนไปเรื่อยหรือกลายเป็นคำนามธรรมดา
สรรพนามของคนคนเดียวคงเส้นคงวาไหม? ไม่ มันสลับไปมาระหว่างบรรทัด
บรรทัดสั้นเท่ากันและยาวใกล้เคียงกันหมดไหม? ใช่ นั่นคือการตัดบรรทัดอัตโนมัติ
สำนวนอ่านแล้วเป็นเรื่องไร้สาระตรงตัวไหม? ใช่ ไม่มีการเรียบเรียงใหม่ให้เป็นสำนวน

ถ้าเข้าข่ายสองข้อขึ้นไป แปลว่าคุณกำลังดูผลลัพธ์ของกระบวนการอัตโนมัติ และคุณภาพจะไม่ดีขึ้นในช่วงหลังของเรื่อง นั่นคุ้มที่จะรู้ไว้ตั้งแต่ต้น เพราะมันบอกคุณว่าควรให้น้ำหนักกับแต่ละบรรทัดแค่ไหนตลอดหนึ่งถึงสองชั่วโมงที่เหลือ

คำถามที่เกี่ยวข้อง

แพลตฟอร์มไหนมีผลงานที่มีซับไตเติลบ้างนั้นต่างกันมาก ดูสิ่งที่เราทำดัชนีไว้ได้ที่ รายชื่อเว็บไซต์