शब्द-दर-शब्द कैप्शन,और YouTube इन्हें कैसे चलाता है

एक-एक करके आने वाले कैप्शन शॉर्ट वीडियो में हर जगह दिखते हैं, और वे काम भी करते हैं: दर्शक आगे नहीं पढ़ पाता, नज़र फ़्रेम के बीच के पास बनी रहती है, और तेज़ बोली को फ़ॉलो करना आसान हो जाता है। YouTube इन्हें कैप्शन ट्रैक से चला सकता है, तस्वीर में कुछ भी स्थायी रूप से जोड़े बिना — बस तरीक़ा एक ख़ास होता है।

आज हम इसे सुधारेंगे।

उभरना हाइलाइट पूरी लाइन

उभरना और हाइलाइट एक ही चीज़ नहीं हैं

उभरना: शब्द बोले जाने के साथ जुड़ते जाते हैं

लाइन ख़ाली शुरू होती है और हर शब्द अपने वक़्त पर आता है। YouTube के कैप्शन फ़ॉर्मैट में यह सुविधा अपने आप में मौजूद है: एक कैप्शन लाइन में कई सेगमेंट होते हैं, और हर सेगमेंट अपना शुरुआती ऑफ़सेट साथ रखता है। बाक़ी काम प्लेयर कर देता है, फ़ाइल छोटी रहती है, और टाइमिंग बिल्कुल सटीक रहती है।

हाइलाइट: पूरी लाइन दिखती है, चालू शब्द रंगीन होता है

यहाँ दर्शक शुरू से पूरी लाइन पढ़ता है और उसी बीच एक शब्द जगमगाता है। फ़ॉर्मैट में “अब इस शब्द का रंग बदलो” जैसा कोई निर्देश नहीं है, इसलिए यह इफ़ेक्ट उसी लाइन को कई बार लिखकर बनाया जाता है — हर शब्द के लिए एक कॉपी, और हर कॉपी में अलग शब्द रंगीन। दस शब्दों की लाइन दस कैप्शन एंट्री बन जाती है।

इसीलिए हाइलाइट भारी विकल्प है, और इसीलिए ख़राब तरीक़े से बनी बीच में रखी लाइन इधर-उधर कूदती है: अगर हर कॉपी नई लाइन की तरह रेंडर हो, तो प्लेयर उसे दोबारा बीच में ले आता है। सही तरीक़ा यह है कि हर कॉपी में टेक्स्ट और स्पेसिंग बिल्कुल एक जैसे हों, और सिर्फ़ रंग बदले।

रोल-अप और ज़ूम

इसी बातचीत में दो और इफ़ेक्ट सामने आते हैं:

• रोल-अप — लाइनें एक के ऊपर एक जमती हैं और टीवी के लाइव कैप्शन की तरह ऊपर सरकती जाती हैं। इस ढेर की हर हालत अपने आप में एक अलग कैप्शन एंट्री होती है।
• ज़ूम — लाइन बढ़ते-बढ़ते अपनी जगह पर आती है। YouTube में एनिमेशन का भी कोई निर्देश नहीं है, इसलिए यह हरकत फ़्रेम दर फ़्रेम लिखनी पड़ती है: कुछ दर्जन मिलीसेकंड के अंतर पर एंट्रियों की एक कतार, और हर अगली एंट्री में फ़ॉन्ट साइज़ थोड़ा बड़ा।

दोनों तरीक़े जायज़ हैं और दोनों फ़ाइल को फुला देते हैं। शब्द-दर-शब्द उभरने वाले कैप्शन के साथ तीन मिनट का वीडियो एक छोटी-सी XML फ़ाइल ही रहता है; उसी वीडियो में हर लाइन पर ज़ूम लगा दीजिए तो फ़ाइल दसियों गुना बड़ी हो सकती है।

टाइमिंग: वह हिस्सा जो तय करता है कि लगेगा कैसा

शब्दों की टाइमिंग आमतौर पर दो में से किसी एक जगह से आती है। स्पीच रिकग्निशन हर शब्द के लिए टाइमस्टैम्प देता है, जो उतना ही सटीक होता है जितना ट्रांसक्रिप्शन। दूसरा और आसान रास्ता है लाइन की अवधि को उसके शब्दों में बाँट देना: शब्दों की गिनती से भाग दीजिए, या हर शब्द को उसकी लंबाई के हिसाब से वज़न दीजिए, ताकि “असाधारण” स्क्रीन पर “और” से ज़्यादा देर टिके।

बात करते हुए चेहरे वाले ज़्यादातर फ़ुटेज के लिए यह अनुपात वाली टाइमिंग काफ़ी है, और जब कोई वाक्य के बीच में रुकता है तो साफ़ गड़बड़ा जाती है। दोनों ही सूरतों में ये नियम काम आते हैं:

• हर लाइन में दो से पाँच शब्द; लंबी लाइन इफ़ेक्ट को बेकार कर देती है।
• हर शब्द पर लगभग 250–400 ms स्वाभाविक लगता है; 150 ms से कम पर शब्द टिमटिमाने लगते हैं।
• लाइनें वहाँ तोड़िए जहाँ बोलने वाला साँस लेता है, वहाँ नहीं जहाँ अक्षरों की गिनती ख़त्म हो जाए।
• पहला कैप्शन 0 ms पर मत शुरू कीजिए — कुछ Android प्लेयर शून्य से शुरू होने वाली लाइन को नज़रअंदाज़ कर देते हैं। 1 ms या उसके बाद से शुरू कीजिए।

अनुवाद में क्या बचता है

शब्द-दर-शब्द टाइमिंग एक ही भाषा के शब्दों से बँधी होती है। लाइन का अनुवाद कीजिए और शब्दों की गिनती बदल जाती है: अंग्रेज़ी के चार शब्द जर्मन में छह और जापानी में दो हो सकते हैं। टाइमिंग को नए शब्दों पर दोबारा बाँटना पड़ता है, और हर शब्द का रंग दोबारा लगाना पड़ता है — यही वह काम है जो स्टाइल वाले कैप्शन का हाथ से अनुवाद करना इतना तकलीफ़देह बना देता है। Rainbow Captions हर अनूदित भाषा के लिए टाइमिंग अपने आप दोबारा बाँट देता है और स्टाइल बनाए रखता है।

ये कैप्शन असल में कहाँ चलते हैं

कैप्शन ट्रैक से आने वाले शब्द-दर-शब्द कैप्शन YouTube के वेब प्लेयर और मोबाइल ऐप्स में चलते हैं। हर डिवाइस और टीवी ऐप पर सपोर्ट एक जैसा नहीं है, और जिन दर्शकों ने प्लेयर में अपनी कैप्शन पसंद सेट कर रखी है, उनके लिए उनकी सेटिंग आपकी स्टाइल पर भारी पड़ेगी। जिन लाइनों में कई स्टाइल वाले सेगमेंट मिले होते हैं, उनमें भराव के तौर पर अदृश्य ज़ीरो-विड्थ कैरेक्टर भी चाहिए, वरना कुछ मोबाइल प्लेयर स्टाइलिंग को गिरा देते हैं — इस ख़ासियत के बारे में हमने .ytt फ़ॉर्मैट रेफ़रेंस में लिखा है।

सवाल

क्या YouTube शब्द-दर-शब्द कैप्शन बिना वीडियो में स्थायी रूप से जोड़े दिखा सकता है?

हाँ। YouTube का कैप्शन फ़ॉर्मैट एक कैप्शन लाइन के भीतर अपने-अपने शुरुआती समय वाले सेगमेंट सपोर्ट करता है, और उभरने वाला इफ़ेक्ट ठीक यही है। हाइलाइट, रोल-अप और ज़ूम भी मुमकिन हैं, लेकिन वे एनिमेशन की तरह नहीं, बल्कि बार-बार दोहराई गई कैप्शन एंट्रियों के रूप में लिखे जाते हैं।

उभरना और हाइलाइट में बेहतर क्या है?

उभरना हल्का है, ज़्यादा सटीक है और बड़े चैनल जो इस्तेमाल करते हैं उसके सबसे क़रीब है। हाइलाइट गीतों या पढ़ाई की सामग्री पर जँचता है, जहाँ दर्शक को चालू शब्द के साथ-साथ पूरी लाइन देखने का फ़ायदा मिलता है।

क्या एनिमेटेड कैप्शन सुलभता को नुक़सान पहुँचाते हैं?

पहुँचा सकते हैं। जो दर्शक धीरे पढ़ते हैं, या जो आवाज़ की जगह कैप्शन पर निर्भर हैं, शब्दों के एक-एक करके आने पर पूरे वाक्य का सिलसिला खो देते हैं। लाइनें छोटी रखिए, रफ़्तार एक-सी रखिए, और जब दर्शकों को ज़रूरत हो तो स्टाइल वाले ट्रैक के साथ एक सादा कैप्शन ट्रैक भी पब्लिश कीजिए।