Perché i sottotitoli automatici si interrompono nei punti sbagliati

Ecco qualcosa che mi ha disturbato per mesi.

Carichi un video in cui qualcuno dice: "Sono andato al supermercato ieri per comprare delle uova."

Un divisore basato su un numero fisso di parole può produrre questo risultato:

Riga 1: "Sono andato al"
Riga 2: "supermercato ieri"
Riga 3: "per comprare delle uova"

Rileggilo. "Sono andato al" — al cosa? Il tuo cervello deve tenere quel frammento nella memoria di lavoro fino a quando appare la riga successiva. È come leggere un libro in cui qualcuno ha tagliato ogni riga con le forbici a intervalli casuali.

Questo è il problema della segmentazione dei sottotitoli. È facile non notarlo in una breve demo, ma diventa evidente quando una frase si interrompe prima che chi guarda abbia abbastanza contesto. Per questo trattiamo i sottotitoli come un flusso di montaggio, non come una trascrizione incollata sul video.

Perché è più Difficile di Come Appare

Dividere ogni numero fisso di parole è coerente, ma spesso crea frammenti innaturali. La punteggiatura offre punti migliori, anche se quella generata dal parlato non è sempre perfetta. Aiuta anche il tempo: una pausa evidente può suggerire un’interruzione naturale, mentre un respiro rapido potrebbe non farlo.

Il lavoro pratico consiste nel bilanciare questi segnali con una lunghezza comoda da leggere. Nessuna regola automatica funziona per ogni persona, lingua e ritmo, quindi il risultato deve restare facile da modificare.

Cosa Usiamo Oggi

Abbiamo migliorato la segmentazione intorno ad alcuni segnali semplici e verificabili:

Punteggiatura quando disponibile. Una fine frase chiara è un buon punto di interruzione. Non presumiamo che ogni segno generato sia corretto.

Pause evidenti nel tempo. Un intervallo significativo tra le parole può essere utile quando manca la punteggiatura.

Un limite rigido alla lunghezza del blocco. Il segmentatore attuale divide quando il blocco composto raggiunge o supera 60 caratteri. Punteggiatura e pause possono ancora creare frammenti brevi; perciò il risultato resta modificabile e non viene presentato come definitivo.

L’Editor ha l’ultima parola. La segmentazione è una prima bozza. Prima dell’esportazione puoi correggere il testo e dividere o unire i blocchi quando il parlato richiede qualcosa di diverso.

Prima / Dopo

Stessa trascrizione, vecchio algoritmo vs nuovo:

Prima:

"Quindi quello che ho fatto"
"ultimamente è lavorare"
"su questo nuovo progetto"
"di cui sono davvero entusiasta"

Dopo:

"Quindi quello che ho fatto ultimamente"
"è lavorare su questo nuovo progetto"
"di cui sono davvero entusiasta"

Nel testo la differenza sembra piccola. In questo esempio il nuovo raggruppamento è più facile da seguire al ritmo della voce perché ogni blocco contiene una frase più completa. È comunque un esempio, non la promessa che una regola funzioni meglio per ogni voce o lingua.

Perché è facile non notare il problema

Le demo brevi contengono spesso frasi preparate e pochi blocchi. Un parlato più lungo e meno scritto espone più combinazioni di punteggiatura, pause e confini di frase, rendendo evidenti le interruzioni scomode.

Abbiamo notato il modello provando CaptionBolt sui nostri clip e regolato il segmentatore attorno a segnali verificabili. La logica usa, nell’ordine, punteggiatura di fine frase, pause che superano i 300 ms, punteggiatura di proposizione e un limite rigido di 60 caratteri.

I nuovi caricamenti usano già questa segmentazione. Tratta il risultato come una bozza modificabile: controllalo nell’Editor e dividi o unisci i blocchi che non seguono bene il parlato.

Letture correlate

Se vuoi vedere il lato pratico del problema, leggi come aggiungere sottotitoli a un video o come modificare file SRT. Per correggere i sottotitoli, usa il generatore automatico di sottotitoli e l'editor di sottotitoli.