תרגום אוטומטי של כתוביות ליותר מ-20 שפות באמצעות LLM

תרגום אוטומטי של כתוביות: היכן נשברת הרכבה ידנית

כשל אופייני מתחיל עוד לפני התרגום. בקלט — מאסטר ערוך, כתוביות גולמיות מתוכנת העריכה ורשימת תיקונים מהעורך בדואר; כל מקור חי חיים משלו.

עד לרגע שבו נדרשת לוקליזציה של וידאו ל-20 שפות, אין מקור יחיד לתזמונים: בקובץ אחד המשפט מתחיל מוקדם יותר, באחר — מאוחר יותר, וחלק מהשורות כלל אינן מסומנות לפי דוברים.

לאחר מכן היקף הורג את התהליך. תרגום ל-20 שפות משמעו 20 סטים בלתי תלויים של תזמונים: השורה הגרמנית ארוכה מהמקור, עבור ערבית ועברית נדרש כיוון כתיבה הפוך, טקסט סיני מתחלק לפי משמעות אחרת.

חוסר סנכרון בין דיבור לטקסט מפסיק להיות טעות מקרית והופך למערכתי — הרמז לא מספיק מאחורי הקול, או תלוי על המסך אחרי החלפת פריים.

הרכבה ידנית של כתוביות נשברת כאן סופית. הגהה נשענת על דוברי שפת אם, אבל צוואר הבקבוק אינו התרגום עצמו, אלא האיחוד: בקרת אורך שורה, שבירות שורה, הדבקת משפטים סמוכים, סימון אחיד בעת ייצוא ל-SRT ול-WebVTT.

שבירת שורה שהוחמצה בגרסה בשפה נדירה חוזרת כתיקון בכל האחרות, כי מסלול המאסטר כבר התפצל לעותקים מזמן.

המחיר של תהליך כזה — שבועות של זמן קלנדרי לריליז ופערים בין גרסאות בפלטפורמות שונות.

לכן בהמשך נפרק כיצד תרגום אוטומטי של כתוביות נסגר במערכת פס אחת: מסלול מאסטר אחד של תזמונים, בדיקה ממוחשבת של מהירות קריאה ואורך שורה, והשתתפות נקודתית של דובר שפת אם היכן שהניסוח באמת שנוי במחלוקת.

אפקט מדיד: כיסוי שפות, מהירות הפצה, איכות

יש לחשב את האפקט לא לפי מספר השפות במצגת, אלא לפי כמה מסלולים יוצאים מהרצה אחת ובאיזה חלון זמן.

מעבר אחד — כל סט השפות

המסלול המקורי עובר את השרשרת «זיהוי → פילוח → תרגום», ובפלט מתקבל כל סט השפות בבת אחת. את הזיהוי אנחנו שמים על מודל תואם Whisper, את התרגום — על מודל שפה עם פרופיל סגנון לפרויקט. שפה חדשה — זו שורה בקונפיגורציה והרצה חוזרת, לא פרויקט נפרד: הכיסוי גדל בלי לבנות מחדש את התהליך.

סדרה יוצאת בחלון אחד

בעבר סדרה בת עשרה פרקים זרמה בגלים: השפות תורגמו אחת אחרי השנייה, והפרק האחרון חיכה לראשון. כעת כל הסט יוצא בחלון אחד, וזמן היציאה של הסדרה נקבע לפי אורך הפרק הארוך ביותר, ולא לפי מספר השפות בו. מהירות הלוקליזציה מפסיקה להיות תלויה במספר השווקים שאתם פותחים.

מילון מונחים אחיד: מונחים ותזמון

מילון המונחים שומר על שמות מוצר, שמות ומונחים זהים בכל השפות והסדרות: תיקון של מונח אחד חל על כל הסט, ולא על כל מסלול בנפרד. התזמונים עוברים בירושה מהמסלול המקורי, ולכן חוסר סנכרון בין משפטים ושורות שהתארכו מעבר למשפט נתפסים בבדיקות לפני היציאה. נעלם סוג שלם של הערות: שמות שונים בסדרות שונות וכתוביות שנסעו.

נכסים לשימוש חוזר

זיכרון תרגומים, פרופילי סגנון ומינוח מאושר נשמרים בין פרויקטים. הסדרה הבאה מתחילה מניסוחים שהתקבלו, ולא מאפס, ולכן שיעור התיקונים לאחר הגהה יורד מסדרה לסדרה, ושפה חדשה מתחברת עם מילון מונחים מוכן.

מצבי תרגום ועריכה שלאחר תרגום: מה לבחור

מצב תרגום אינו «איכות מול מהירות», אלא בחירה היכן בשרשרת עומד האדם. את אותו סרטון אפשר להריץ בתרגום מכונה ולמסור תוך דקות, ואפשר לשלב בזרימה עם הגהה של דובר שפת אם ולקבל גרסת שידור.

ההבדל מתגלה לא במשפט בודד, אלא בסוג השגיאות: שמות שהתעוותו, הומור שבור, וריאציות שונות של אותו מונח בפרקים סמוכים.

אפשרויות זרימה

את המצב בוחרים לפי מחיר הטעות והנפח: היכן שכתוביות רואה קהל המוני, הגהה משתלמת, ובארכיון הדרכה די בעריכה שלאחר תרגום לפי טריגרים. בהמשך נראה כיצד אנחנו מגדירים זרימה היברידית ולפי אילו מדדים אנו מחשיבים את התרגום כמוכן לפרסום.

סדר ההטמעה: מאבחון חומרים ועד מסירה

סדר העבודות בנוי כך שהתרגום לא יהיה תלוי במידת ההצלחה של המודל בסדרה מסוימת. כל שלב מסתיים בארטיפקט שניתן לבדוק: רשימת קבצים בעייתיים, סכימת זרימה, מילון מונחים, דוח על מנת בדיקה.

זה מסיר את הקלאסיקה — תרגום לא עובר קבלה לא בגלל איכות הטקסט, אלא בגלל פערים בקודי זמן ובמינוח בין עונות.

1. אבחון חומרים. אוספים את כל המקורות: שפות, פורמטים של מסלולים, פערי קודי זמן, סגנונות מוטמעים, כפילויות ומשפטים שהוחמצו. בפלט — רשימת קבצים עם תיאור פגמים והחלטה מה מנקים ומה מתרגמים כמו שזה.
2. סכימת זרימה. קובעים מהיכן נלקחות הכתוביות, כיצד נחתך החומר למקטעים, לפי איזה סימן מודבקים משפטים ובאיזה אופן התוצאה חוזרת לאחסון או לנגן לפי חישוב אישימילון מונחים וכללים. מונחים, שמות, שמות מוצרים ותפקידים, רישיות, צורת פנייה, הגבלות על אורך שורה ומשך תצוגה מינימלי. בנפרד — איסור על העברה מילולית של מונחים, אם קיים לשפה מקבילה מבוססת.
3. מנת בדיקה. לוקחים קטע שיש בו את כל סוגי הדיבור: דיאלוג, קריינות, כתוביות, דיבור עם מונחים. מסתכלים לא על הציון הממוצע, אלא על שיעור המקטעים שדובר שפת אם לא היה מתקן.
4. בדיקות. אוטומטיות — חפיפת קודי זמן, קצב קריאה, משפטים אבודים. מעל — הגהה סלקטיבית של דובר שפת אם לפי רשימת הערות שסוכמה מראש.
5. קבלת התוצאה. קריטריונים מסוכמים: שיעור מקטעים ללא תיקונים, יציבות מילון המונחים, היעדר היסטים בזמן. פער מהקריטריונים — סיבה לשפר את הכללים, ולא לשכתב ידנית.
6. מסירה. מוסרים תקנונים, מילוני מונחים לפי שפות, סכימות והוראה כיצד להוסיף שפה חדשה או עונה ללא השתתפותנו.

מילוני מונחים, סימון ותקנוני הגהה

לאחר הפעלת התרגום אצל הלקוח נשארת לא סקריפטים, אלא תיעוד עבודה: לפיו שפה חדשה מתחברת תוך ימים, ולא מאפס, וכל עורך מבין מה נחשב לטעות. מוסרים ערכה בפורמטים פתוחים — תיקונים מבוצעים ללא השתתפות המפתח.

• מילון מונחים של הפרויקט. מונחים בתחום, שמות ושמות מוצרים עם תרגום מאושר ורשימת וריאציות אסורות. לכל שפה — עמודה משלה והערות «לא להטות», «לא לתרגם».
• כללי מינוח. מי מציע מונח חדש, מי מאשר, תוך כמה זמן, מה לעשות בעת התנגשות עם וריאציה שכבר אושרה וכיצד לסמן חריגים זמניים.
• סכימות סימון כתוביות. אורך שורה מותר ומספר שורות בבלוק, כללי שבירת שורה, פיסוק, תוויות דובר, אירועי קול. פרופילים נפרדים לשפות עם כתיבה מימין לשמאל וללא רווחים.
• תקנון הגהה. רמות בדיקה: השוואה אוטומטית עם מילון המונחים, הגהה על ידי עורך, סקירה סופית על ידי הלקוח. לכל אחת — רשימת בדיקה וקריטריונים לשליחת סדרה לתיקון.
• תקנון תיקונים. כיצד הערה הופכת לכלל: תיקון של עורך נכנס למילון המונחים או לזיכרון התרגומים, והמהדורה הבאה יוצאת תוך התחשבות בו ללא עבודה ידנית.
• תיעוד הזרימה. סכימת המערכת מקבצי המקור ועד מסלולים מוכנים: פורמטים, נקודות בקרה, התנהגות בעת חוסר סנכרון בתזמונים, הוראה למסירה לצוות חדש.

מקרה בוחן: סדרת מהדורות ב-12 שפות ללא הרכבה ידנית

נקודת התחלה

הלקוח — פלטפורמת סטרימינג StreamCast — הוציא עונה ב-12 שפות ברצף: הגרסה האנגלית יצאה ראשונה, והשאר הדביקו אחריה בשבועות. כל גרסת שפה הורכבה ביד — חלוקה למקטעים, הצמדה לקודי זמן, השוואת מונחים בין פרקים.

במנת בדיקה של 900 משפטים, כ-40% דרשו תיקון ידני לפי משמעות, ויותר ממחצית הפערים נפלו על שמות דמויות ושמות מכשירים.

מה נמדד במנת הבדיקה

הרצנו את אותה מנה דרך תרגום אוטומטי של כתוביות עם תמיכה במילון מונחים: המודל רואה משפטים סמוכים ורשימת מונחים שהוגדרה מראש, ולא מתרגם מקטע בבידוד. שיעור המקטעים שהעורך תיקן לפי משמעות ירד ל-6–8%, והאי-אחידות במינוח בין פרקים נעלמה — מילון המונחים הפך לנקודת אמת יחידה. בנפרד בדקנו רגרסיה: קודי זמן, חלוקה לשורות ומגבלות אורך משפט לאחר ההרצה נשארו במקומם.

מה השתנה במחזור המהדורה

סדרת המהדורות עוברת כעת במעבר אחד: תרגום גולמי ל-12 שפות מוכן באותו חלון כמו הגרסה המקורית, והעורכים עובדים רק עם מקטעים מסומנים. תיקון שהוכנס בגרסת שפה אחת מועבר לאחרות — פערים בין גרסאות לא מצטברים. הצמצום בתיקונים ידניים נתן את העיקר: הזמן עד לפרסום גרסת שפה הפסיק להיות תלוי במספר השפות.

כיצד לבדוק סנכרון ומינוח לפני פרסום

בדיקה לפני פרסום אינה הגהה של כל המאגר ביד, אלא סט בדיקות אוטומטיות על קובץ הכתוביות לפני היציאה. כל בלוק מקבל מאפיינים: אורך שורה בתווים, מספר שורות, מהירות קריאה, משך תצוגה ומרווחים עם בלוקים סמוכים. כל מה שחורג מהספים מסומן בדגל — השאר מפורסם ללא תיקונים.

בדיקת הסנכרון נשענת על השוואה עם המסלול המקורי: גבולות הבלוקים לא צריכים לזוז ביחס לדיבור, ולסטייה יש נטייה להצטבר לקראת סוף ההקלטה — לכן ההתחלה והסוף נבדקים בנפרד. בנפרד נתפסים חפיפות של בלוקים, תצוגה קצרה מדי וקטיעות שבגללן הכתובית נכבית לפני שהמשפט נשמע.

בקרת המינוח נבנית על מילון אחיד של הפרויקט: בודקים שאותו מונח מתורגם באותו אופן בכל הקובץ, ולא רק במשפט בודד. לשם כך נכנסים גם ניסוחים אסורים — מה שאסור לתרגם מילולית או אסור להזכיר בשידור — ואחידות הפנייה לקהל.

קריאות השורות נבדקת לפי מאפיינים פורמליים: אורך שורה, מספר שורות בבלוק, שבירת שורה בגבול תחבירי, ולא באמצע ביטוי. שמות, מספרים ומונחים מורכבים לא נשברים בין שורות — אחרת הצופה מאבד את המשמעות במעבר.

לאדם נשארים לא כל המאגר, אלא רק קטעים עם דגלים: מינוח שנוי במחלוקת, דיבור צפוף, מקומות שהסנכרון בהם לא יציב. בסיום ההרצה נאסף דוח עם סימונים וסיבות, ולכן התיקונים מבוצעים נקודתית, ושיעור המקטעים עם התערבות ידנית יורד מרוב לאחוזים בודדים.

ספקות טכניים: קול, סנכרון, מונחים

דיאריזציה וחפיפת דיבור — הדבר הראשון שבו נתקלות כתוביות אוטומטיות. אנחנו מפרידים את המסלול לפי טביעות קול (דיאריזציה) ומסמנים קטעים שבהם הדוברים חופפים זה לזה: קטע כזה לא «מתקפל» למשפט אחד, אלא נשאר במסלול המקורי או מסומן כדו-משמעי לבדיקה ידנית. בראיון עם שני דוברים זה נותן דיוק סימון דוברים ברמה שבה הצופה לא מפסיק להבין מי אמר מה.

כיצד המתרגם יבין שמות, מותגים ומונחים צרים?

לפני ההרצה אוספים מילון מונחים: שמות, שמות חברות ומוצרים, ראשי תיבות בתחום מוכנסים למילון עם תרגום ורישיות קבועים. המודל מקבל את הרשימה הזו כאילוץ, ולא כמשאלה, ולכן «סמית'» לא הופך ל«נפח», ושם המוצר נשאר מזוהה בכל אחת מ-20+ גרסאות השפה.

האם אפשר להגדיר סגנון כתוביות משל עצמך?

כן, הסגנון מוגדר בפריסט: אורך שורה, מספר תווים בשנייה, שבירות שורה לפי קבוצות משמעות, מיקום ביחס לאזורים בטוחים בפריים. פריסט אחד חל על כל השפות בבת אחת, ולכן הגרסאות לא מתפצלות בעיצוב, והפורמט האנכי לסרטונים קצרים מקבל רשת משלו ללא התאמה ידנית.

מה עם תיקונים לאחר פרסום?

כתוביות נשמרות כמסלול נפרד מווידאו, ולכן תיקון של מונח או תזמון אינו דורש הרכבה מחדש והעלאה חוזרת של הווידאו. העורך משנה שורה, השינוי עובר לגרסאות השפה הנדרשות, והגרסה הקודמת נשארת בהיסטוריה — אפשר לחזור אליה אם התיקון התברר כלא מוצלח.

נדון במשימה: מה יידרש להערכה

כדי לחזור עם הערכת פרויקט ותוכנית עבודה, די לנו בנתוני פתיחה — אין צורך לתאר תהליכים פנימיים או לפתוח גישות בשלב זה. ככל שנתוני המקור מפורטים יותר, כך פחות הנחות בתוכנית ופחות תיקונים לאחר ההתחלה.

• נפח חומרים — כמה שעות הקלטה או קבצים יש לתרגם ובאיזו תדירות מופיעים חדשים: סדרה חד-פעמית או זרימה קבועה.
• זוגות שפות — מאילו שפות ולאילו, אילו כיוונים בעדיפות והאם נדרשים זוגות נדירים דרך שפת ביניים.
• פורמט המקורות — SRT, VTT או תמלול טקסטואלי: מכך תלוי אם נדרשת הרכבה מקדימה של מסלולים וסנכרון תזמון.
• מינוח — מילוני מונחים, שמות, שמות מוצרים ומונחים בתחום שאסור לתרגם מילולית.
• דרישות קריאה — מגבלת תווים בשורה וזמן תצוגה, כללי שבירת שורה, האם צריך להכניס משפט לשורה אחת או שתיים.
• דוגמאות ייחוס — שניים-שלושה קטעים שתורגמו ידנית: לפיהם מגדירים בדיקות ומעריכים פערים.
• מצב עבודה — קטלוג חד-פעמי או זרימה קבועה, נפח לחודש ומועדי מסירה.

לאחר קבלת הנתונים הללו, נחזור עם הערכת נפח ותוכנית: נראה שלבים, נקודות בקרת איכות, הרכב הצוות וסדר קבלה. תארו את המשימה בהודעה — נברר פרטים ונציע סדר עבודה.