Автоматичний переклад відеосубтитрів: швидко, якісно та з контекстом

Уявіть: у вас 90-хвилинний фільм у форматі SRT — близько 1200 субтитрів. Ручний переклад кожного займає 2–3 хвилини, разом 40 годин. LLM-рішення робить це за 30–60 секунд, але без правильного пайплайну результат буде з розірваними таймінгами, втраченим сенсом і перевищенням допустимої довжини рядка. Навіть найкраща модель допускає помилки, характерні для машинного перекладу: втрачені ієрогліфи, неузгоджені часи, невірна інтерпретація сленгу. Наш пайплайн включає автоматичну пост-перевірку, яка виявляє та виправляє такі артефакти. У результаті ви отримуєте готові до публікації субтитри, повністю синхронізовані з оригіналом. Розглянемо детальніше, як працює кожен етап. Типова вартість перекладу 90-хвилинного фільму — від $30 до $100, що у 50 разів дешевше ручної праці.

Як LLM справляється з обмеженнями довжини субтитрів?

Формат SubRip накладає суворі вимоги на довжину рядка, тривалість показу та швидкість читання.

GPT-4o-mini (основний інструмент) у 3 рази швидший за NLLB-200 при порівнянній якості для європейських мов. Для рідкісних мов використовуємо NLLB-200 або GPT-4o.

Чому контекст сусідніх субтитрів критичний?

Без контексту модель перекладає кожну фразу ізольовано — втрачається логіка діалогу. Наприклад, в одному субтитрі «He’s not coming», у наступному — «Why?». Окремий переклад дає «Він не прийде» та «Чому?» — зв'язок зберігається, але якщо субтитри розділені паузою, модель може інтерпретувати «Why?» як початок нової теми. Групування по 20–30 субтитрів дає моделі достатньо контексту для зв'язного перекладу. Ми використовуємо динамічний батчинг: якщо в групі багато коротких блоків, розмір батча збільшується до 40, що знижує кількість запитів до API та прискорює обробку. Якщо ви сумніваєтеся у виборі моделі, зв'яжіться з нами — ми проведемо тестовий прогін на 50 субтитрах і надамо зразок.

Що таке пост-перевірка і як вона підвищує якість?

Після перекладу запускається автоматичний скрипт, який перевіряє кожен субтитр на відповідність обмеженням: довжина рядка, швидкість читання, наявність розділових знаків. Якщо параметр перевищено, модель отримує завдання скоротити фразу без втрати сенсу. Додатково перевіряється узгодження часів та власних назв. Для критично важливого контенту додаємо ручну верифікацію.

В одному з проектів з 5000 субтитрів для освітнього курсу з фізики ми зіткнулися з систематичним перевищенням довжини рядка для німецької мови — середня довжина слова в німецькій на 30% більша, ніж в англійській. Ми адаптували промпт, вказавши моделі використовувати коротші синоніми, і додали автоматичний тримінг у пост-перевірку. У результаті всі субтитри вклалися в ліміт 84 символи без втрати сенсу.

Як налаштувати пайплайн перекладу за 10 хвилин

1. Парсинг: витягуємо таймінги та текст із SRT/VTT. Перевіряємо кодування (UTF-8 з BOM).
2. Батчинг: об'єднуємо субтитри в групи по 20–30 блоків — це ключ до контексту.
3. Переклад: відправляємо групу в LLM з промптом, що містить обмеження довжини та швидкості.
4. Пост-перевірка: автоматично вимірюємо довжину рядка та швидкість читання. Якщо перевищення — запускаємо авто-скорочення.
5. Збірка: відновлюємо вихідні таймінги, формуємо підсумковий файл.

Приклад промпту для перекладу групою:

Переведи наступні субтитри з англійської на українську.
Обмеження:
- Максимум 84 символи на блок (2 рядки по 42)
- Зберігай сенс, допускається адаптація
- Не використовуй лапки, якщо їх немає в оригіналі
- Зберігай власні назви
- Швидкість читання ≤20 сим/с
Субтитри:
[1] 00:01:00,000 --> 00:01:04,000
Hello, how are you?

[2] 00:01:05,000 --> 00:01:08,000
I am fine, thank you.

Підтримувані мови та моделі

Обробка 90-хвилинного фільму (≈1200 субтитрів) займає 30–60 секунд при мінімальних витратах на обчислювальні ресурси. Технічний процес включає токенізацію вхідного тексту, батчінг з урахуванням максимальної довжини контекстного вікна моделі (128K токенів для GPT-4o-mini), та пост-обробку з використанням алгоритму перевірки на основі регулярних виразів для виявлення некоректних символів.

Що входить у нашу роботу

• Аналіз вихідних субтитрів (SRT/VTT) на предмет вкладених форматів, кодування, таймінгу.
• Налаштування промпту під мову та стиль (адаптація жартів, сленгу).
• Тестовий прогін на 50 субтитрах — ви отримуєте зразок.
• Переклад усіх субтитрів з пост-валідацією.
• Генерація готових SRT/VTT файлів зі збереженням вихідного таймінгу.
• Документація: звіт про виконану роботу, список замінених термінів.

Наш досвід

Ми реалізували понад 50 проектів з обробки субтитрів. Сертифіковані спеціалісти гарантують актуальність використовуваних моделей.

Зв'яжіться з нами для тестового перекладу 100 субтитрів безкоштовно. Ми оцінимо ваш файл і запропонуємо найкраще рішення. Замовте автоматичний переклад субтитрів — отримайте готові SRT/VTT файли для 20 мов за 1 робочий день. Отримайте консультацію щодо вашого проекту — ми підберемо оптимальну модель під ваші завдання.

NLP розробка: чому accuracy не підходить для рідкісних класів?

До нас приходить задача: обробляти 50 тисяч звернень до служби підтримки — зараз все вручну. Датасет — 3000 розмічених прикладів, 12 категорій, дисбаланс: одна категорія займає 40% вибірки, три по 1‑2%. Baseline accuracy — 78%. Звучить непогано, поки не дивишся на recall по рідкісних класах: 0.31, 0.44, 0.28. Саме ці класи — скарги та загрози відтоку — найважливіші для бізнесу.

Це типовий проект NLP розробки. Проблема не в алгоритмі, а в тому, що accuracy — не та метрика. Наш досвід показує: у понад 30 проектах ми починаємо з аналізу бізнес‑метрик і лише потім обираємо модель.

Чому accuracy — не та метрика для рідкісних класів?

Accuracy ігнорує дисбаланс. Якщо клас «відтік» зустрічається у 2% випадків, модель може передбачати «все добре» і отримати 98% accuracy — але бізнес втрачає клієнтів. Рішення: F1 macro (усереднення за всіма класами) або weighted F1. Для NER — strict entity F1 (лише точні збіги). Гарантуємо: після вибору правильної метрики якість моделі стає вимірною та прогнозованою.

Класифікація тексту: від BERT до дистиляції

BERT-подібні моделі — стандарт для класифікації. ruBERT-base або ruBERT-large від DeepPavlov для російської мови. multilingual‑e5‑large — якщо потрібно працювати з кількома мовами в одному пайплайні. XLM‑RoBERTa‑large — сильний multilingual backbone.

Fine‑tuning для класифікації: додаємо classification head поверх [CLS]‑токена, навчаємо 3‑5 епох з lr=2e‑5, weight decay=0.01. При дисбалансі — weighted CrossEntropyLoss або focal loss з gamma=2.0. Пишіть — покажемо code snippet.

Кейс з дисбалансом. Датасет — 3000 прикладів, дисбаланс 1:20. Рішення: class_weight через sklearn + CrossEntropyLoss. Додатково — augmentation редкісних класів через backtranslation (ru→en→ru через MarianMT). Recall по рідкісних класах виріс з 0.31 до 0.67 при незначному падінні accuracy (76%→74%). Повна NLP розробка під ключ зайняла 3 тижні.

Дистиляція для production. BERT‑large дає F1 0.89, але inference на CPU — 180ms. Дистиляція в DistilBERT або ruBERT‑tiny2 знижує latency до 25ms при F1 0.84. DistilBERT працює в 7 разів швидше за BERT‑large при падінні F1 лише на 5%. Експорт в ONNX Runtime з int8 quantization дає додатковий 1.5‑2x. Оцінимо проект — розрахуємо економію на інфраструктурі.

Як вибрати модель класифікації під ваш датасет?

Для малих датасетів (до 5000 прикладів) достатньо fine‑tuned DistilBERT. Якщо потрібна багатомовність — XLM‑RoBERTa. При жорстких обмеженнях latency — дистильована модель з ONNX Runtime. Ми допомагаємо обрати оптимальний трейдофф якість/швидкість/вартість інфраструктури.

NER: розпізнавання іменованих сутностей

NER — вилучення персон, організацій, локацій, дат, сум, номерів документів. Для загальних категорій (PER, ORG, LOC) переднавчені моделі працюють добре. Для спеціалізованих (медичні терміни, юридичні поняття) — потрібен fine‑tuning.

Розмітка даних. Основна вартість NER‑проекту. Для якісної моделі — 500‑2000 розмічених речень на кожен тип сутності. Інструменти: Label Studio (open source) або Prodigy (від творців spaCy). Формат IOB2 — стандарт.

Архітектура. Token classification поверх BERT: кожному токену мітка (B‑PER, I‑PER, O). spaCy 3.x з transformer pipeline — зручний production‑вибір.

Вкладені сутності. Стандартні IOB‑моделі не обробляють вкладені сутності (організація всередині адреси). Для таких задач — span‑based NER: SpanBERT або SpERT. Складніше, але правильно.

Постобробка обов’язкова. Модель передбачає токени — потрібні нормалізовані сутності. Дата — dateparser. Суми — regex + валідація. Імена — дедуплікація через rapidfuzz. Входить у нашу стандартну поставку.

Sentiment Analysis та opinion mining

Бінарна класифікація positive/negative працює з BERT з коробки. Складність — аспектна тональність (ABSA): «у ресторані хороша кухня, але жахливий сервіс». Для ABSA: aspect extraction (NER) + sentiment за кожним аспектом. Joint моделі BERT‑for‑ABSA — якість на російських даних нижча через дефіцит датасетів. RuSentiment, SentiRuEval — основні ресурси.

Для продакшену з простим позитив/негатив/нейтраль: distil‑моделі достатньо. Три класи, balanced датасет, 2000+ прикладів — F1 macro 0.82‑0.87 за 1‑2 дні.

Сумарізація тексту

Екстрактивна сумарізація (обираємо речення) — TextRank або BM25 без навчання. Швидко, не галюцинує. Добре для довгих документів.

Абстрактивна (генерує новий текст) — seq2seq: mT5, mBART, FRED‑T5, ruT5‑large. Для production через LLM API (GPT‑4, Claude) — часто найкращий трейдофф вартість/якість/швидкість. Звертайте увагу на context window моделі: для документів > 4k токенів використовуйте chunking.

Ембеддинги: векторні представлення тексту

Ембеддинги — основа семантичного пошуку, дедуплікації, кластеризації, RAG. Якість критично впливає на downstream задачі.

Моделі. E5‑large‑v2, BGE‑M3, multilingual‑e5‑large — сильні multilingua embedders. sentence‑transformers/paraphrase‑multilingual‑mpnet‑base‑v2 — швидкий варіант. Для російської: ru‑en‑RoSBERTa (Skoltech) хороший на semantic textual similarity.

Як оцінити якість ембеддингів? MTEB benchmark — стандарт. Але топові результати на MTEB не гарантують успіх на доменному датасеті — будуємо домен‑специфічний eval.

Fine‑tuning ембеддингів. Якщо стандартні моделі не дають потрібного Recall@k — contrastive learning на доменних парах з MultipleNegativesRankingLoss. 500‑2000 пар, 1‑3 епохи — 5‑15% приріст Recall@k.

Розмірність та зберігання. E5‑large: 1024 dim, float32 — 4KB на вектор. При 10M документів — 40GB. INT8 quantization знижує до 10GB. FAISS IVF_PQ — ще компактніше, але з втратами. Входить у наші рекомендації по деплою.

Вилучення інформації

Структуроване вилучення — одна з частих задач. Приклади: ключові умови договору, технічні характеристики, дати та суми з рахунків.

1. Regex + rule-based. Для ІПН, ЄДРПОУ, сум, дат — надійніше нейромережі. Не потребує даних.
2. NER + постобробка. Для варіативних форматів.
3. LLM з structured output. GPT‑4 / Claude з JSON schema — для складних документів. Вартість: залежить від обсягу документів. Для 10k+ документів/день — рахуємо економіку.

Гарантуємо гібрид: regex/NER для типових полів + LLM для edge cases. Сертифікат довіри: 5 років на ринку, >30 проектів.

Етапи роботи

Прототип на існуючих даних — 1‑3 тижні. Production‑система з CI/CD — 1.5‑2.5 місяця. Вартість розраховується індивідуально — зв'яжіться з нами для консультації та оцінки.

Що входить у роботу

• Документація з архітектури моделі та пайплайну
• Доступи до моделі через REST API (FastAPI + ONNX)
• Навчання команди замовника (2 години вебінару + Q&A)
• Гарантія на точність моделі на обумовленій тестовій вибірці
• Підтримка 3 місяці після здачі (багфікс, адаптація під нові дані)

Наш досвід

Понад 5 років у NLP, 30+ проектів від класифікації до RAG‑систем. Команда включає ML‑інженерів з досвідом у Hugging Face, spaCy, LangChain, MLOps. Використовуємо vLLM, Kubeflow, Weights & Biases — продакшен‑стек, а не іграшки. Замовте консультацію — оцінимо проект за 2 дні.