Centrum Wiedzy Innowacji Standardów
Level Up – Uniwersytet dla wszystkich
Jednostki Uniwersytetu często publikują na swoich stronach materiały wideo. Obowiązkowo należy zadbać o ich dostępność — dodać napisy.
Wynika to z treści Ustawy z dnia 4 kwietnia 2019 r. o dostępności cyfrowej stron internetowych i aplikacji mobilnych podmiotów publicznych. Zgodnie z obowiązującymi przepisami wszystkie jednostki publiczne muszą spełnić wymagania wytycznych WCAG 2.1 na poziomie AA.
Ustawa, która opisuje zasady zapewnienia dostępności cyfrowej przez podmioty publiczne, wymaga, aby do treści multimedialnych (audio, wideo) dołączony był tekstowy zapis treści tych materiałów. To jest obowiązek podmiotu publikującego multimedia. Nie dotyczy on materiałów nadawanych na żywo. Więcej informacji znajdziecie Państwo na stronach Serwisu Rzeczypospolitej Polskiej.
Niezależnie od wymogów Ustawy zapewnienie dostępnych napisów spowoduje, że z naszych materiałów bez problemu skorzysta znacznie więcej odbiorców. Napisy rozszerzone mogą ułatwić również osobom zdrowym zapoznanie się z materiałem np. w głośnym pomieszczeniu, w tramwaju.
Wszystkie te pojęcia oznaczają przedstawienie materiału multimedialnego, ale różnią się przeznaczeniem i docelowym odbiorcą. Napisy zazwyczaj przydatne są osobom głuchym i niesłyszącym, ale
Tekst. To najprostsze przedstawienie tekstowe multimediów. Umieszczamy ją obok multimediów np. pod podcastem. Z grubsza jest to lista dialogowa, zawierająca wypowiedzi pojawiające się np. w podcaście czy filmie. Jeśli wypowiada się naraz kilka osób – np. podczas konferencji, czy wywiadu – powinna zawierać dodatkowe określenie mówcy. Może dodatkowo zawierać opis scen. Poniżej przykład:
KONSULTANTKA 1: Dzień dobry. Jesteśmy pracowniczkami Biura ds. Osób z Niepełnosprawnościami na Uniwersytecie Warszawskim, zwanego "BON". KONSULTANTKA 2: Witamy Państwa serdecznie w społeczności akademickiej! KONSULTANTKA 1: Jesteśmy konsultantkami do spraw studenckich.
Dźwięk. Dla osób niewidomych. Oprócz dialogów i odgłosów w filmie lektor opisuje ważne treści wizualne, np.: istotny dla zrozumienia treści wygląd postaci, czy: co powoduje słyszany dźwięk (np. przesypujący się piasek). Audiodeskrypcja nie jest omawiana w niniejszym artykule.
W zasadzie jest to zsynchronizowana (najczęściej z filmem) wersja transkrypcji, uzupełniona o ważne dla zrozumienia treści informacje i opis dźwięków. Przy tworzeniu napisów rozszerzonych – oprócz reguł tworzenia zwykłych napisów do filmu – obowiązuje szereg zasad opisanych w dokumencie "NAPISY DLA OSÓB NIESŁYSZĄCYCH I SŁABOSŁYSZĄCYCH – zasady tworzenia" stworzonym przez Fundację Kultury bez Barier. Przykład wyświetlanych napisów:
[łagodna muzyka w tle]
LEKTOR: Siedziba Biura
ds. Osób z Niepełnosprawnościami
KONSULTANTKA 1: Dzień dobry
Jesteśmy pracowniczkami Biura ds. Osób
z Niepełnosprawnościami
na Uniwersytecie Warszawskim, zwanego "BON".
KONSULTANTKA 2: [z entuzjazmem] Witamy Państwa serdecznie
w społeczności akademickiej!
KONSULTANTKA 1: Jesteśmy
konsultantkami do spraw studenckich.
Oczywiście takie napisy zawierają jeszcze dodatkowe informacje dotyczące czasu ich wyświetlania, czasem również koloru i rodzaju czcionki.
Transkrypcję najłatwiej jest dodać po prostu jako tekst na stronie, zazwyczaj pod odtwarzaczem danego medium.
Napisy rozszerzone dodajemy najczęściej w postaci dodatkowego pliku do samego odtwarzacza. Większość rozwiązań dla materiałów wideo do osadzania na stronach wspiera dodawanie napisów za pomocą plików SRT. Studio twórców YouTube (zalecamy to rozwiązanie!) zawiera bardzo wygodne narzędzie dodawania napisów, w którym możemy przygotowane pliki SRT zaimportować. Odtwarzacze oparte o JavaScript również najczęściej mogą otwierać i wyświetlać wskazane pliki napisów razem z materiałem wideo.
Zalecana, szybka metoda. Należy użyć jednego z programów do rozpoznawania mowy z nagrań i automatycznego generowania zsynchronizowanych napisów. W tym artykule zajmiemy się omówieniem dwóch z nich, dostępnych online w przeglądarce internetowej. Wybraliśmy je ze względu na łatwość obsługi i wysoką jakość rozpoznawanego tekstu w języku polskim.
Trudniejsza metoda. Oczywiście można je napisać ręcznie ze słuchu, np. w programie Notatnik. Można też użyć do wpisywania ze słuchu specjalnego oprogramowania (np. Subtitle Edit) i w nim łatwiej synchronizować napisy z materiałem wideo. Takie przygotowanie napisów zajmuje bardzo dużo czasu i nie polecamy go.
Do naszych testów wybraliśmy dwa serwisy oferujące usługę przetwarzania mowy z nagrań na tekst i tworzenie napisów:
https://www.beey.io – serwis czeskiej firmy Newton Technologies. Newton od ponad 15 zajmuje się technologiami rozpoznawania mowy. Jest twórcą znanego programu Newton Dictate.
Newton współpracuje z czeskimi instytucjami i Uniwersytetem w Libercu nad udoskonalaniem ich autorskiego algorytmu rozpoznawania mowy.
https://www.happyscribe.com – serwis niezależnego startupu z siedzibą w Barcelonie. Happyscribe rozwija technologię rozpoznawania mowy opartą o sztuczną inteligencję.
Wybraliśmy te serwisy, ponieważ oferują szereg niezbędnych funkcji:
Obydwa serwisy wymagają założenia konta i usługa rozpoznawania jest płatna. Mamy także opcję darmową, ale pozwala ona na rozpoznanie zaledwie 10 minut materiału miesięcznie. W obu przypadkach możemy poza automatycznym rozpoznawaniem tekstu zlecić usługę rozpoznawania nadzorowaną przez człowieka – znacznie droższą.
W obydwóch użyliśmy tego samego, 20-minutowego nagrania wideo. Dźwięk na tym nagraniu jest dobrej jakości, jednak znajdują się tam fragmenty, w których jednocześnie słychać głos dwóch osób — lektora i programu NVDA. Lektor mówi językiem naturalnym, z drobnymi błędami i naleciałościami językowymi oraz niewielkimi manieryzmami. Sposób mówienia jest zbliżony do wykładu na żywo.
Przeprowadziliśmy przesyłanie pliku wideo i jego rozpoznanie, następnie przygotowaliśmy korektę językową we wbudowanym w serwis edytorze wraz z poprawkami układu i czasu wyświetlania napisów. Skorygowane napisy zapisaliśmy w formacie SRT i przeprowadziliśmy dodatkową ich kontrolę podczas wyświetlania w odtwarzaczu VLC.
Obydwa serwisy oferują podobne funkcje i ułatwienia w pracy nad napisami. Możemy w nich zapisań osobne projekty, opracowywać je w edytorze, przerywać pracę i wracać do niej po jakimś czasie. Zmiany w napisach zapisywane są automatycznie w chmurach serwisów. Każdy z projektów można dowolnie nazywać, opatrywać tagami i ustawiać status ich kompletności.
Interfejs Beey można ustawić w języku polskim, natomiast HappyScribe ma tylko angielskojęzyczny.
Wgrywanie filmu i czas rozpoznawania: W obydwóch usługach można wgrać pliki ze swojego komputera lub wybrać już zapisane w chmurze Google, lub serwisie streamingowym. Transfer pliku trwał zaledwie kilka minut a kolejne 4-5 minut trwało generowanie tekstu. Bardzo szybko!
HappyScribe oferuje szerszy wybór metod i źródeł pobierania pliku do transkrypcji, od razu też możemy wygenerować kilka tłumaczeń — transkrypcja w języku oryginalnym jest wykonywana zawsze.
Jakość surowej transkrypcji w obydwu aplikacjach jest zbliżona.
Działanie Beey i HappyScribe różni się nieco po załadowaniu i rozpoznaniu pliku z mediami. HappyScribe od razu generuje napisy z domyślnie ustawionymi parametrami i otwiera edytor. Beey pokazuje najpierw rozpoznany tekst i należy go dopiero skonwertować do napisów w menu edytora. Podczas konwersji jesteśmy pytani o parametry wyglądu i czasu napisów i dopiero po ich zatwierdzeniu aplikacja przetwarza tekst, dzieląc go znacznikami czasowymi i wstawiając podziały wierszy.
Napisy wygenerowane w HappyScribe również można dostosować, od razu po ich załadowaniu, lub w dowolnym momencie. Mamy do dyspozycji ustawienie linii i czasów oraz narzędzie do ponownego układania napisów w liniach. Jest to szczególnie przydatnie, gdy w trakcie edycji dodamy, lub usuniemy jakieś fragmenty tekstu – aplikacja sama zadba wówczas o poprawny podział na linie w ramach znacznika czasowego. W Beey niestety o łamanie tekstu po dokonaniu w nim zmian musimy zadbać sami.
Mimo pewnych różnic kontrola parametrów generowania napisów jest podobna w obydwu aplikacjach, jednak HappyScribe oferuje tu nieco większą elastyczność. Szybciej również możemy przystąpić do edytowania napisów.
Odnieśliśmy wrażenie, że w testowanym przez nas nagraniu jakość transkrypcji była zbliżona, natomiast podział tekstu na bloki ze znacznikami czasowymi i w ramach tych bloków podział na linie był lepszy w napisach wygenerowanych przez HappyScribe. Może to być zasługa zastosowanych algorytmów, bo HappyScribe korzysta z silnika GPT 4 i jego dużej mocy obliczeniowej, natomiast Beey używa autorskiego rozwiązania Newton Technologies.
Obydwa programy oferują interfejs wyposażony w
Ten ostatni różni się w obu aplikacjach najbardziej.
Beey wyświetla cały blok rozpoznanego tekstu, a podziały na bloki do wyświetlenia czasowymi są sygnalizowane w tym tekście graficznym znacznikiem. Możemy w dowolnym miejscu wstawić znacznik podziału, przesunąć aktualny wyraz w czasie skokami co 100 ms. Narzędzia znajdują się powyżej tekstu, ale ich używanie przy pomocy myszki jest dość niewygodne i aby wydajnie pracować w edytorze, niezbędne jest używanie skrótów klawiaturowych oraz myszy.
Bloki napisów o zbyt długim czasie, zbyt dużej ilości znaków, lub trwające zbyt krótko oznaczane są kolorami. Po najechaniu na taki blok kursorem wyświetlane jest wyjaśnienie błędu.
Sterowanie odtwarzaczem znajduje się na górze ekranu i pomiędzy napisami przemieszczamy się, klikając na oś czasu z falą audio, odtwarzanie najwygodniej uruchamiać i zatrzymywać klawiaturą. Podgląd wideo pozwala jedynie na rozpoczęcie i zatrzymanie odtwarzania.
Podczas odtwarzania i nawigacji po osi czasu, pozycja w tekście jest sygnalizowana jego pogrubieniem, ale naszym zdaniem aktualna pozycja jest słabo widoczna, nawet pomimo przesuwania się kursora w miarę odtwarzania. Pogrubiony jest bowiem cały tekst przed kursorem, czcionka jest dość mała i różnica pomiędzy pogrubioną i zwykła jest niewielka. Trudno na pierwszy rzut oka dostrzec, gdzie jesteśmy w tekście, a wygląd napisów możemy ocenić jedynie na podstawie podglądu wideo. Nie mamy też łatwego wpływu na to, jak łamany będzie tekst, gdy wyświetlany jest w kilku liniach. Jedynym sposobem jego podziału jest wstawianie w tekst znaku nowej linii (Enter) lub wstawianie spacji niełamliwej.
Znaczniki czasowe nie są widoczne w tekście, chyba że zmodyfikujemy domyślnie ustawiony czas. Jedyny ich podgląd jest na osi czasu z falą audio. Tam również możemy przy pomocy myszki przesuwac początki i końce bloków tekstu i synchronizować je z dźwiękiem.
Dodatkowo edytor zawiera opcje ustawiania wyglądu napisów (nagłówki) oraz dodawania informacji o rozmówcach. Obok panelu tekstu znajduje się menu opcji i narzędzi, w którym możemy wybrać akcję związaną z aktualnie edytowanym tekstem. Jeśli chcemy zmienić parametry generowanych napisów (ilość linii, ilość znaków w linii itp.), to musimy przekonwertować tekst z powrotem na czystą transkrypcję, bez podziałów, a potem dokonać konwersji na napisy z nowymi parametrami. Wszystkie zmiany dotyczące podziału napisów, dokonane do tej pory, zostaną utracone.
Dostępność cyfrowa edytora jest niestety bardzo słaba. Ponieważ aplikacja przejmuje wiele skrótów klawiaturowych, to poruszanie się po niej klawiaturą jest w praktyce niemożliwe. Również z użyciem czytnika ekranu (screenreadera) nie udało nam się dotrzeć i uruchomić większości funkcji. W praktyce jesteśmy zmuszeni do obsługi myszką i specyficznymi dla aplikacji skrótami klawiaturowymi.
HappyScribe w swoim edytorze zastosowało inne podejście. Przede wszystkim interfejs jest uproszczony. W panelu tekstowym wyświetlane są od razu bloki tekstowe ze znacznikami czasowymi i od razu widać na nich, jak tekst będzie łamany do wielu linii. Edytowanie tekstów jest bardzo intuicyjne — możemy poruszać się po nim strzałkami góra / dół, enterem dzielić na bloki, a usuwając podział akapitu — łączyć je ze sobą. Łamanie tekstu uzyskujemy przez wstawienie znacznika nowej linii (shift+Enter). Edytor zawiera również szereg skrótów klawiaturowych przyspieszających pracę, ale jest ich znacznie mniej, niż w przypadku Beey.
Obok bloków tekstowych wyświetlane są ich znaczniki czasowe oraz prędkość odczytu. Bloki wyświetlane zbyt krótko, za długie, o zbyt dużej ilości znaków są tu oznaczane kolorowym indykatorem problemu. Po najechaniu na niego kursorem wyświetlane jest wyjaśnienie błędu.
Dodatkowo edycję ułatwia automatyczna synchronizacja wyświetlanego wideo i osi czasu ze ścieżką audio z pozycją naszego kursora. Podobnie w przypadku przeskoczenia w odtwarzaczu lub przemieszczenia się po osi czasu – pozostałe panele od razu przestawiają się w to samo miejsce.
Podczas odtwarzania pozycja w tekście jest oznaczana pogrubieniem oraz zmianą koloru aktualnie odczytywanego wyrazu. Teksty są wyświetlane większą czcionką niż w Beey i od razu widać, gdzie w tekście się znajdujemy.
Sterowanie odtwarzaczem znajduje się bezpośrednio pod nim i wydaje się to również intuicyjne i naturalne. Bloki tekstu możemy na osi czasu wygodnie przesuwać w całości oraz dodatkowo przeciągać ich początek lub koniec. Teksty na odtwarzaczu wyświetlane są z dodatkowym tłem, co zwiększa ich czytelność.
Na pozór wydaje się, że interfejs jest uboższy, ale tak naprawdę zawiera te same opcje, co Beey, tylko zostały one ukryte w mniej rzucających się w oczy kontrolkach. Interfejs zaprojektowano z myślą o jak największym skupieniu na jego podstawowych funkcjach. Również mamy tu opcje stylowania tekstów, możemy ponownie podzielić tekst z nowymi parametrami, wyeksportować w odpowiednim formacie.
Dostępność cyfrowa edytora — niestety, przejęcie klawisza Tab uniemożliwia swobodne przemieszczanie się po aplikacji klawiaturą. Przy użyciu screenreadera jest już lepiej i większość funkcji daje się obsłużyć, ale niektóre elementy aktywne mają problematyczne etykiety, lub nawet ich całkowity brak. Osoba widząca da radę posługiwać się wyłącznie klawiaturą. Edytowanie napisów jest całkiem wygodne, ale wywołanie dodatkowych funkcji może przysporzyć kłopotów. Aplikacja zdecydowanie najłatwiej obsługiwana jest myszką.
Obydwie aplikacje oferują tłumaczenie rozpoznanego tekstu, przy czym HappyScribe proponuje większą ilość dostępnych języków. Samo tłumaczenie jest niezłe w każdej z nich, jednak w naszej ocenie, tłumaczenie HappyScribe było dokładniejsze i zawierało mniej błędów. Odmienne jest również podejście do dalszej edycji przetłumaczonego tekstu.
Beey tworzy osobny projekt w nowym języku. Nie zachowane są żadne znaczniki czasowe i trzeba je wygenerować na nowo. Żeby zobaczyć tekst oryginalny, trzeba sobie otworzyć jego projekt w osobnym oknie przeglądarki.
HappyScribe pozwala na utworzenie od razu kilku wersji tłumaczeniowych i są one powiązane z oryginalnym tekstem. Co więcej, interfejs edycji tłumaczenia zawiera również wersję oryginalną tekstów. Ustawienia czasowe są zachowane, ale zmienione są automatycznie te napisy, które powodują błędy — zbyt krótkie, zbyt długie. Edytowanie takiego tłumaczenia jest dzięki temu znacznie łatwiejsze.
Aplikacje oferują opcje pobrania napisów w kilku formatach — w tym DOCX i PDF, a także możliwość "wypalenia" napisów na ścieżce wideo. Ta ostatnia opcja polega na umieszczeniu napisów wprost na warstwie wideo. Nie zalecamy jej, bo napisy dodane do filmu w ten sposób są niedostępne cyfrowo. Można je porównać do "tekstów" umieszczonych w obrazkach. Przestają być wówczas prawdziwym tekstem, a stają się po prostu grupą pikseli obrazka. Najbardziej interesującym nas formatem jest zwykle plik tekstowy i tu oba programy dają nam spory wybór.
Z obu aplikacji możemy pobrać plik w najpopularniejszym formacie SRT. Taki plik powinien być bez problemu otwierany przez zdecydowaną większość programów odtwarzających, również przez urządzenia audio/video (np. telewizory). SRT można też użyć do załadowania napisów do filmów umieszczanych na YouTube czy Facebooku. Bez problemu użyją go również odtwarzacze JavaScript czy HTML5 umieszczane na stronach internetowych.
Tutaj nie ma żadnego zaskoczenia. Pliki generowane są prawidłowo, importują sie w YouTube. Odtwarzają się poprawnie.
Programy pozwalają nam na pobranie:
| Beey - formaty | HappyScribe - formaty |
|---|---|
| DOCX | DOCX |
| SRT zwykłe i Facebook | SRT zwykłe i Facebook |
| VTT | VTT |
| SSA | TXT - kilka formatów |
| STL | HTML |
| TTML | XML |
| FCPXML | |
| JSON | |
| EDL | |
| CSV |
Dodatkową, świetną funkcją w HappyScribe jest możliwość automatycznego wygenerowania z pomocą AI rozdziałów gotowych do wklejenia w YouTube. Sprawdziliśmy i działa to całkiem poprawnie. Jest tam też kilka innych opcji wspomaganych przez sztuczną inteligencję w narzędziu AI Assist.
Zarówno Beey, jak i HappyScribe zapewniają kompletną platformę do rozpoznania dźwięku z nagrań, poprawienia i zsynchronizowania tekstu z nagraniem, wygenerowania plików z napisami. Każdy z nich potrafi dodatkowo dokonać tłumaczenia napisów. Pod wieloma względami ich funkcje są podobne i w ogromnej większości przypadków nie zabraknie nam funkcji dostępnej tylko w jednej z usług. Żaden z interfejsów aplikacji nie może niestety zostać określony jako dostępny cyfrowo.
Naszym faworytem został jednak zdecydowanie HappyScribe. Dlaczego? Z całą pewnością oferuje bardziej, przyjazny, przemyślany interfejs. Najwięcej czasu przy tworzeniu napisów spędzamy na poprawkach rozpoznanego tekstu i na korektach synchronizacji z obrazem. Beey niestety przegrywa ze swoim nieuporządkowanym układem, mniej intuicyjnym sterowaniem. Panel ze "ścianą" tekstu niepodzieloną wizualnie na napisy, małą czcionką i niewidocznym miejscem aktualnej edycji – męczy niesamowicie. Opracowanie tego samego materiału zajęło nam w HappyScirbe co najmniej o 1/3 mniej czasu. Możliwość zobaczenia bloków napisów i ich układu od razu, bez szukania ich na oknie video jest bardzo wygodna i naturalna.
Tłumaczenie napisów w HappyScribe jest znacznie łatwiejsze. Pamiętajmy, że musimy wówczas nie tylko sprawdzić poprawność synchronizacji, ale i poprawność maszynowego tłumaczenia. Narzędzie, które dostajemy w HappyScribe jest przemyślane i przyspiesza cały proces. Odnieśliśmy też wrażenie, że początkowy podział tekstu na logiczne bloki, oraz jakość rozpoznania i tłumaczeń była w HappyScribe odrobinę lepsza. Odrobinę, ale pamiętajmy, że na każdy mały błąd wymaga od nas potem dodatkowej pracy. Przykładem niech będzie tłumaczenie: "Biuro ds. Osób z Niepełnosprawnościami Uniwersytetu Warszawskiego":
Różnicę widać na pierwszy rzut oka, a w naszym 20-minutowym filmie Beey nawet podczas rozpoznawania mowy w języku polskim popełnił więcej błędów niż HappyScribe. To już dołożyło nam około 10-15 minut dodatkowej pracy. Interfejs wymagał też większego skupienia i wysiłku podczas edytowania i korekty. Możemy sobie wyobrazić, że różnica przy długich, np. godzinnych nagraniach będzie jeszcze większa na korzyść HappyScribe.
Podkreślamy, że w obu narzędziach uzyskamy równie dobre napisy, ale w HappyScribe pracowało nam się po prostu znacznie szybciej i wygodniej. Opracowywanie napisów to żmudna praca, więc uznajemy, że brak polskojęzycznego interfejsu w zamian za dużo mniejsze zmęczenie wzroku i umysłu, to dobra wymiana.
Test został przeprowadzony w październiku 2023 roku i bazuje na wersjach aplikacji z tego okresu.
jest portalem, który ma na celu zwiększanie świadomości na temat dostępności, poprzez popularyzację wypracowanych przez Uniwersytet Warszawski rozwiązań, likwidujących bariery w studiowaniu i pracy osób z niepełnosprawnościami i/lub specjalnymi potrzebami edukacyjnymi.
CEWIS
jest serwisem zawierającym materiały szkoleniowe (m.in. filmy, artykuły), akty prawne i przykłady dobrych praktyk.
Technologia druku 3D staje się coraz tańsza i coraz bardziej powszechna. Drukarki są coraz bardziej niezawodne, a oprogramowanie wspierające projektowanie...
KategoriainnowacjeW Laboratorium map i modeli dotykowych utworzyliśmy makietę Tatr Polskich w technologii druku 3D. Ten innowacyjny projekt umożliwia poznanie Polskich Tatr...
KategoriawiedzaNa wystawie technologicznej Reha For the Blind zaprezentowano szereg innowacyjnych urządzeń dla osób niewidomych i słabowidzących.
Projekt Uniwersytet dla wszystkich - Level up to udoskonalenie istniejących i wypracowanie nowatorskich rozwiązań na rzecz zwiększenia dostępności kształcenia osób z niepełnosprawnościami na Uniwersytecie Warszawskim.
Czytaj więcejoLevel Up