AI-локалізація мультимедіа: дубляж, субтитри та синтез голосу

Ви записали навчальний курс англійською, а цільова аудиторія говорить українською. Традиційний шлях — студійний дубляж за сотні доларів за хвилину та очікування тижнями. Ми, команда з 5+ років досвіду в AI-локалізації (150+ проєктів), автоматизували цей пайплайн за допомогою AI, скоротивши вартість у 10–20 разів і час до кількох годин. Жодних компромісів за якістю синхронізації. AI-локалізація мультимедіа включає AI дубляж, субтитри AI, синтез голосу та машинний переклад відео.

Кейс: локалізація 50-годинного курсу з Python

Нещодавно до нас звернувся наш клієнт, EdTech-платформа: 50 годин відео англійською із сильним акцентом спікера. Потрібні були українські субтитри та дубляж зі збереженням голосу. Запустили пайплайн на GPU-сервері — через 6 годин отримали повний комплект. Субтитри з точністю 97%, дубляж із синхронізацією ±2% від оригіналу. Клієнт зазначив, що голос звучить природно, а економія порівняно зі студією склала 92% бюджету (економія понад $5000).

Які проблеми вирішує AI-локалізація

Типові сценарії: корпоративні вебінари, YouTube-канали з 100+ відео, маркетингові ролики для різних ринків. Основна біль — ручне субтитрування та озвучка не масштабуються. Помилки таймінгу, розсинхрон губ, неприродні голоси — минулий етап. Наш стек: Whisper large-v3 для транскрибації (з word-level таймінгами), GPT-4o для контекстного перекладу зі збереженням структури сегментів, XTTS v2 для синтезу з клонуванням голосу (джерело: Wikipedia). Все це збирається в єдиний пайплайн. RAG локалізація та мультимедіа AI розширюють можливості для контекстно-залежних сценаріїв.

Чому важливо зберігати тривалість сегментів?

При перекладі довжина фраз змінюється: англійське "Hello, how are you?" перетворюється на коротке "Привіт, як справи?" або довше "Доброго дня, як ваші справи?". Наш перекладач GPT-4o враховує ±20% відхилення від оригіналу — інакше синхронізація з артикуляцією ламається. Для критичних сцен (крупні плани) ми додатково використовуємо алгоритм Phoneme Alignment, який зіставляє фонеми оригінальної та синтезованої мови і підганяє тривалість кожної фонеми.

Як AI справляється з фоновим шумом та акцентами?

Whisper large-v3 навчався на 680 000 годин багатомовних даних, тому він стійкий до шумів та акцентів. Наприклад, у задачі з сильним іспанським акцентом ми отримали WER 8%, що відповідає якості ручного розшифрування. Для складних аудіодоріжок (вулиця, музика) попередньо чистимо звук через демодуляцію спектрограми.

Як ми це робимо: пайплайн повної локалізації

Оригінальне відео (EN)
    ↓ Витяг аудіо (ffmpeg)
    ↓ STT з таймінгами (Whisper)
    ↓ Переклад зі збереженням структури (GPT-4o / DeepL)
    ↓ Генерація субтитрів (SRT/VTT файли)
    ↓ TTS з voice cloning (XTTS v2 / ElevenLabs)
    ↓ Вирівнювання тривалостей (time-stretching)
    ↓ Фінальна збірка відео (ffmpeg mux)

Транскрибація та переклад

import whisper
import json
from datetime import timedelta
from openai import AsyncOpenAI
import asyncio

client = AsyncOpenAI()

def transcribe_with_timestamps(video_path: str, language: str = None) -> dict:
    model = whisper.load_model("large-v3")
    import subprocess
    audio_path = video_path.replace(".mp4", "_audio.wav")
    subprocess.run(["ffmpeg", "-i", video_path, "-ac", "1", "-ar", "16000", "-vn", audio_path])
    result = model.transcribe(audio_path, language=language, word_timestamps=True, task="transcribe")
    return result

async def translate_segments(segments: list[dict], target_language: str, context: str = "") -> list[dict]:
    translated = []
    batch_size = 20
    for i in range(0, len(segments), batch_size):
        batch = segments[i:i+batch_size]
        texts = [s["text"] for s in batch]
        response = await client.chat.completions.create(
            model="gpt-4o",
            messages=[{
                "role": "system",
                "content": f"Переводи на {target_language}. Сохраняй: 1. Разбивку на сегменты; 2. Примерную длину (±20%); 3. Неформальный тон. Контекст: {context}. Верни JSON массив строк."
            }, {
                "role": "user",
                "content": json.dumps(texts, ensure_ascii=False)
            }],
            response_format={"type": "json_object"}
        )
        translated_texts = json.loads(response.choices[0].message.content)["translations"]
        for seg, trans in zip(batch, translated_texts):
            translated.append({**seg, "text": trans})
    return translated

TTS дубляж з синхронізацією

from TTS.api import TTS
import subprocess
from pydub import AudioSegment, effects
import io

class DubbingGenerator:
    def __init__(self):
        self.tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2")

    def synthesize_segment(self, text: str, target_duration: float, lang: str = "ru") -> bytes:
        audio_wav = self.tts.tts(text=text, language=lang)
        audio = AudioSegment(data=bytes(audio_wav), sample_width=2, frame_rate=22050, channels=1)
        actual_duration = len(audio) / 1000.0
        ratio = actual_duration / target_duration
        if 0.7 < ratio < 1.4:
            adjusted = audio._spawn(audio.raw_data, overrides={"frame_rate": int(audio.frame_rate * ratio)}).set_frame_rate(22050)
        else:
            adjusted = audio
        buf = io.BytesIO()
        adjusted.export(buf, format="wav")
        return buf.getvalue()

    def assemble_dubbing_track(self, segments: list[dict], total_duration_sec: float) -> bytes:
        timeline = AudioSegment.silent(duration=int(total_duration_sec * 1000))
        for seg in segments:
            audio = AudioSegment.from_wav(io.BytesIO(self.synthesize_segment(seg["text"], seg["end"] - seg["start"])))
            position_ms = int(seg["start"] * 1000)
            timeline = timeline.overlay(audio, position=position_ms)
        buf = io.BytesIO()
        timeline.export(buf, format="wav")
        return buf.getvalue()

    def mux_video_with_dubbing(self, original_video: str, dubbing_audio: str, subtitles_srt: str, output_path: str, original_audio_volume: float = 0.1) -> None:
        subprocess.run([
            "ffmpeg",
            "-i", original_video,
            "-i", dubbing_audio,
            "-filter_complex",
            f"[0:a]volume={original_audio_volume}[orig];[1:a][orig]amix=inputs=2[aout]",
            "-map", "0:v",
            "-map", "[aout]",
            "-vf", f"subtitles={subtitles_srt}:force_style='FontSize=24,PrimaryColour=&HFFFFFF'",
            "-c:v", "libx264", "-c:a", "aac",
            "-y", output_path
        ], check=True)

Порівняння підходів до локалізації

Порівняння моделей TTS: XTTS v2 у 2 рази швидший за Coqui TTS при вищій якості голосу. ElevenLabs у 4 рази швидший за real-time.

Що входить в роботу (під ключ)

• Транскрибація оригінального аудіо з word-level таймінгами (SRT output).
• Переклад з урахуванням контексту та обмеження за тривалістю сегментів.
• Субтитри у форматах SRT/VTT/ASS — готові до завантаження на YouTube або в LMS.
• Дубляж з клонуванням голосу та time-stretching (синхронізація ±2% від тривалості оригіналу).
• Фінальне відео з інтегрованою аудіодоріжкою та субтитрами.
• Документація пайплайну та доступ до API для інтеграції у ваш CI/CD.

Процес роботи

1. Аналітика — ви надаєте відео та цільові мови. Ми оцінюємо складність (фоновий шум, темп мовлення, акценти).
2. Проектування — обираємо модель TTS (XTTS v2 або ElevenLabs) та конфігурацію time-stretching.
3. Реалізація — запускаємо пайплайн на GPU-сервері (NVIDIA A100), отримуємо субтитри та дубляж.
4. Тестування — перевіряємо синхронізацію на 3-5 контрольних точках. За запитом — ручна верифікація носієм.
5. Деплой — передаємо готові файли та документацію. Інтегруємо API при необхідності.

Типові помилки та як їх уникнути

• Ігнорування контексту при перекладі: GPT-4o з системним промптом вирішує проблему.
• Занадто швидке відео: розбиваємо на коротші сегменти (до 5 секунд) для кращої синхронізації.
• Шумна фонограма: попереднє очищення через спектральне віднімання або демодуляцію.
• Занадто довгі сегменти: TTS може втрачати інтонацію — використовуємо чанкінг за реченнями.

Терміни та вартість

Термін виконання одного відео (до 10 хвилин) — від 1 робочого дня. Вартість — від $30 за хвилину контенту (економія 85–95% порівняно зі студією). Для масової локалізації (100+ відео) вибудовуємо чергу з автоматичним пайплайном. Вартість розраховується індивідуально після тесту на вашому відео — економія в 10–20 разів порівняно зі студією гарантована.

Оцінимо ваш проект: напишіть нам для безкоштовного тесту на вашому відео. Замовте пілотний проєкт — покажемо результат за 1 день.

Розпізнавання та синтез мовлення: перша лінія проблеми

Ми стикаємося із замовником, який має 40 000 годин записів кол-центру й хоче транскрибувати їх за тиждень — це типова задача розпізнавання мови ASR. Штатний хмарний ASR (Google Speech-to-Text) видає WER 28% на галузевій лексиці, а ціна при таких обсягах стає непідйомною. Завдання — знизити WER нижче 10% і перейти на self-hosted інференс. Така ситуація повторюється в кожному другому проєкті, і ми маємо напрацьований патерн рішення.

Типові технічні проблеми та їх усунення

WER не сходиться до потрібної метрики. Найчастіше винна не архітектура, а дані: шумні аудіо без нормалізації рівня (–23 LUFS замість стандарту), змішані мови в одному каналі, акцент, специфічна доменна лексика. Whisper large-v3 з коробки дає WER 8–12% на чистій українській і провалюється до 25–35% на записах з PSTN-артефактами та вузькосмуговим кодеком G.711.

Діаризація ламається при більш ніж двох спікерах. pyannote/speaker-diarization-3.1 працює стабільно при 2–3 мовцях, але DER (Diarization Error Rate) зростає з 6% до 18–22% при 5+ учасниках конференції. Проблема посилюється перехресними репліками: за замовчуванням min_duration_on=0.1 обрізає короткі вставки. Рішення — збільшити min_duration_on до 0.3 та додати overlap detection через pyannote-overlap-detection.

Клонування голосу — латентність чи якість. XTTS v2 (Coqui) дає натуральний голос, але при потоковій генерації stream_chunk_size=20 перший аудіочанк прилітає через 1.4–2.0 с — неприйнятно для інтерактивних сценаріїв. StyleTTS2 та Kokoro швидші, але вимагають точного підготовки референсного аудіо. Ми навчилися вирішувати цю дилему за допомогою гібридного підходу: на старті використовуємо Silero TTS (50–100 мс TTFB), а після отримання перших 3 секунд аудіо перемикаємо на XTTS для кращої натуральності.

Як вибрати ASR-модель під ваші дані?

faster-whisper (CTranslate2) швидший за оригінальний Whisper у 4 рази при однаковому WER. Для продакшену ми завжди використовуємо його.

Практичний приклад: fine-tuning Whisper на доменній лексиці

Фінтех-компанія з 12 000 дзвінків/день. Початковий WER на українській з банківською лексикою — 22% (Google STT). Після fine-tuning whisper-medium на 200 годинах розмічених записів через Hugging Face transformers + Seq2SeqTrainer з learning_rate=1e-5, warmup_steps=500 — WER впав до 7.3%. Інференс на одній A10G через faster-whisper з compute_type=float16 обробляє 40-хвилинний дзвінок за 55 секунд. Підсумкова вартість інференсу — $0.50 за годину аудіо, що в 6 разів дешевше за хмарне рішення. Проєкт виконано за 6 тижнів, включаючи підготовку даних і валідацію.

Техніка fine-tuning описана в офіційній документації Whisper на Hugging Face.

Як донавчити Whisper на доменних даних?

Коли загальна модель не справляється, fine-tuning — перший інструмент. Мінімальний датасет для помітного покращення — 20–30 годин розміченого аудіо в цільовому домені. Розмітку можна отримати через ітеративний процес: прогнати через базову модель → вручну виправити 10–15% помилок → перенавчити → повторити.

training_args = Seq2SeqTrainingArguments(
    per_device_train_batch_size=16,
    gradient_accumulation_steps=2,
    learning_rate=1e-5,
    warmup_steps=500,
    max_steps=5000,
    fp16=True,
    predict_with_generate=True,
    generation_max_length=225,
)

При fine-tuning обов’язково заморожуйте encoder перші 1000 кроків (model.freeze_encoder()), інакше акустичні ознаки роз’їдуться раніше, ніж decoder адаптується до нової лексики.

Синтез мовлення: що обрати для вашого сценарію?

Для інтерактивних ботів з вимогою TTFB < 300 мс — Silero або Kokoro. Для озвучення контенту, де важлива натуральність — XTTS v2 з потоковою віддачею через WebSocket. Ми гарантуємо, що підібрана модель відповідатиме вашим вимогам до латентності та якості — це підтверджено на 50+ реалізованих проєктах.

Наш досвід та гарантії

10+ років досвіду в NLP та speech processing. 50+ успішних проєктів для fintech, telecom, медицини. Сертифіковані моделі (Model Card + bias audit). Ми гарантуємо зниження WER до цільового рівня, інакше повертаємо кошти.

Що входить у роботу з нами?

Клієнт отримує:

• Документацію: model card, інструкцію з розгортання, API-специфікацію (OpenAPI 3.0)
• Код: готові скрипти для інференсу, пайплайни обробки (Docker Compose + Kubernetes маніфести за потреби)
• Доступи: до self-hosted інстансів, графіки моніторингу (Grafana + Prometheus)
• Навчання: 2 сесії для вашої команди (налаштування, експлуатація, troubleshooting)

Ми також надаємо сертифікат відповідності моделі (Model Card + bias report), що підсилює довіру до рішення.

Процес роботи та терміни

1. Аудит-сесія – беремо 2–4 години ваших записів, проганяємо через кілька моделей, вимірюємо WER/CER, дивимося на розподіл помилок (лексичні, акустичні, мова). Займає 1–2 дні.
2. Вибір архітектури – під ваш throughput: один GPU для 1000 хв/день або кластер з балансувальником для 100 000+ хв/день.
3. Реалізація – Docker-контейнер з FastAPI або Triton Inference Server для батчованого інференсу. Інтеграція з чергою Kafka.
4. Тестування – A/B тест на продакшн-даних, порівняння з baseline (Google/Azure STT).
5. Деплой – CI/CD (GitHub Actions + ArgoCD), моніторинг (Grafana + WER/CER алерти).

Терміни:

• Базова інтеграція готової моделі – 1–2 тижні.
• Fine-tuning з підготовкою даних та валідацією – 4–8 тижнів.
• Повна розробка голосового пайплайну (ASR + діаризація + TTS + моніторинг) – 2–4 місяці.

Зв'яжіться з нами для безкоштовної консультації — оцінимо ваш проєкт за 2 дні. Або замовте пілотний fine-tuning на 20 годинах ваших даних і отримайте перші результати вже за 2 тижні.