بوق — ترجمه و دوبله ویدئو با هوش مصنوعی، فارسی‌محور
بوق پلتفرمی فعال و فارسی‌محور برای تولید و ترجمه محتوا با هوش مصنوعی است که کار مترجم، گوینده، استودیو و تدوینگر را در یک وب‌اپلیکیشن گرد می‌آورد. محمد پناهی در نقش مدیر ارشد فنی، معماری آن را طراحی کرد و آن را از نخستین خط کد به بهره‌برداری رساند: ترجمه و دوبله ویدئو، صدا، موسیقی، تصویر و فیلم، با پرداخت از یک کیف پول.
در یک نگاه
- بومی‌سازی رسانه به زنجیره‌ای از مترجم، گوینده، استودیو و تدوینگر نیاز داشت؛ هرکدام تامین‌کننده و صورت‌حسابی جداگانه.
- یک وب‌اپلیکیشن فارسی‌محور برای ترجمه، دوبله، پادکست، موسیقی، تصویر و فیلم، با پرداخت از یک کیف پول.
- در حال بهره‌برداری و توسعه مستمر، با یادداشت‌های انتشاری که از استقرارهای عملیاتی برای کاربران تولید می‌شود.
نکات برجسته
۵ روش بومی‌سازی یک ویدئو
زیرنویس اصلی یا ترجمه‌شده، دوبله، یا دوبله با هر یک از دو زیرنویس؛ یک خروجی برای هر زبان به همراه یک بسته واحد.
صدایی متمایز برای هر گوینده
دوبله چندگوینده تشخیص می‌دهد چه کسی صحبت می‌کند، به هر گوینده صدایی متمایز اختصاص می‌دهد و زمان‌بندی را با نسخه اصلی هماهنگ می‌کند.
۳۰ صدا و خط زمانی پادکست
روایت، سکوت و قطعه‌های موسیقی روی یک خط زمانی؛ موسیقی فقط هنگام صحبت گوینده آرام می‌شود.
موسیقی و آهنگ از روی یک توصیف
موسیقی بی‌کلام اختصاصی و آهنگ کامل، با حالت دقیقی که عین شعر کاربر را حفظ می‌کند و امکان ترجمه شعر.
۱۱۵ سبک بصری در ۶ گروه
زاویه دوربین، رنگ، نور، جنس، سبک هنری و تکنیک، بدون اصطلاحات فنی پرامپت؛ به همراه نسخه‌ای اختیاری با وضوح بالاتر از هر تصویر.
از داستان تا فیلم در ۹ مرحله
هر مرحله ابتدا طرح خود را نشان می‌دهد؛ کاربر می‌تواند آن را بپذیرد، دوباره تولید کند، ویرایش کند یا نسخه خود را بارگذاری کند. برگه شخصیت، شخصیت‌ها را در نماهای مختلف منسجم نگه می‌دارد.
چالش
بومی‌سازی یک ویدئو معمولاً به زنجیره‌ای از متخصصان نیاز دارد: مترجم، گوینده، استودیوی ضبط و تدوینگر، و اغلب طراح و آهنگساز. هر حلقه این زنجیره تأمین‌کننده‌ای جداگانه با قالب فایل و صورت‌حساب خود است، و زمان‌بندی پروژه در فاصله تحویل میان آن‌ها از دست می‌رود.
برای تولیدکنندگان محتوا، کسب‌وکارها و آموزش‌دهندگان فارسی‌زبان که بوق برای آن‌ها ساخته شده است، شرایط دشوارتر هم هست. پرداخت به تومان و از طریق درگاه داخلی انجام می‌شود، فایل‌های ویدئویی حجیم روی اتصال‌های ناپایدار جابه‌جا می‌شوند، و رابط کاربری باید در زبانی راست‌به‌چپ طبیعی باشد، نه ترجمه‌ای از رابطی دیگر.
در لایه زیرین، هر قابلیت به ارائه‌دهندگان بیرونی هوش مصنوعی وابسته است و هرکدام ممکن است مستقل از دیگران از کار بیفتد یا تغییر کند. پلتفرم باید در چنین لحظه‌ای همچنان کار کند، و کسی که حرفی برای گفتن دارد نباید برای گفتن آن تدوینگر ویدئو شود.
معماری
بوق مجموعه‌ای از سرویس‌های مستقل پشت یک وب‌اپلیکیشن است و هر ارائه‌دهنده هوش مصنوعی درگاه اختصاصی خود را دارد. همین تصمیم است که اجازه می‌دهد مدلی عوض شود، کلیدی جایگزین شود یا ارائه‌دهنده‌ای که از کار افتاده به‌طور خودکار کنار گذاشته شود، بی‌آنکه بقیه محصول دست بخورد.
هر کار در صف قرار می‌گیرد. پردازش‌های سنگین به‌جای اجرا درون یک درخواست وب، در صف‌های اولویت‌دار و پایدار با سقف هم‌زمانی برای هر سرویس منتظر می‌مانند.
کار از سر گرفته می‌شود، نه از نو. ترجمه‌ها نقطه بازیابی ذخیره می‌کنند و پس از خرابی از همان‌جا ادامه می‌یابند، و بارگذاری فایل‌های حجیم روی اتصال ضعیف به‌جای شروع دوباره، ادامه پیدا می‌کند.
پول همراه کار حرکت می‌کند. یک کیف پول پیش‌پرداخت به تومان، نمایش مالیات بر ارزش افزوده پیش از پرداخت، دفتر تراکنش دائمی، اعمال تخفیف دقیقاً همان‌گونه که اعلام شده، و بازگشت خودکار وجه هنگام شکست یک کار.
سه اپلیکیشن، نه یکی. مشتریان، مدیران و کارکنان پشتیبانی هرکدام از اپلیکیشنی جداگانه با استقرار مستقل استفاده می‌کنند و ورود به یکی، در دیگری معتبر نیست.
تنظیم به‌جای انتشار نسخه. بخش‌های محصول بدون انتشار نسخه جدید روشن یا خاموش می‌شوند، و مدل‌ها و کلیدهای ارائه‌دهندگان از پنل مدیریت تغییر می‌کنند.
پلتفرم روی یک خوشه کانتینری اجرا می‌شود که به‌صورت کد تعریف شده است، و بارهای سنگین در کنار داده‌هایشان قرار می‌گیرند. هر انتشار پیش از آنکه یک نفر آن را برای محیط عملیاتی تأیید کند، از ساخت، آزمون، استقرار در محیط آزمایشی و آزمون سلامت عبور می‌کند، و بازگشت اضطراری به نسخه قبل به‌صورت دستی امکان‌پذیر است.
راهکار
یک فضای کاری، کل مسیر از ماده خام تا فایل نهایی را پوشش می‌دهد.
ترجمه و دوبله ویدئو
۵ حالت خروجی: زیرنویس به زبان اصلی، زیرنویس ترجمه‌شده، فقط دوبله، دوبله همراه با زیرنویس زبان اصلی، یا دوبله همراه با زیرنویس ترجمه‌شده.
دوبله چندگوینده: گویندگان تشخیص داده می‌شوند، هر گوینده صدایی متمایز می‌گیرد و زمان‌بندی با نسخه اصلی هماهنگ می‌شود.
خودکار یا تعاملی: اجرای کاملاً خودکار، یا توقف برای بازبینی و ویرایش زیرنویس پیش از ساخت خروجی.
خروجی آماده پخش: زیرنویس سبک‌دار و حک‌شده روی تصویر برای ویدئوی عمودی و افقی، و نگه‌داشتن صدای اصلی یا موسیقی زمینه با صدای آرام زیر دوبله.
ورودی گروهی و پیوندی: بارگذاری یک فایل فشرده از چند ویدئو یا درج پیوند شبکه اجتماعی، با تشخیص خودکار زبان مبدأ و نمایش قیمت پیش از هر کسر وجه.
صدا، پادکست و موسیقی
۳۰ صدای هوش مصنوعی با امکان تعیین لحن؛ لحن به‌عنوان دستور اعمال می‌شود و خوانده نمی‌شود.
استودیوی پادکست: روایت، سکوت و قطعه‌های صوتی روی یک خط زمانی؛ صدا می‌تواند روی انتهای یک قطعه موسیقی وارد شود و موسیقی فقط هنگام صحبت گوینده آرام می‌شود.
موسیقی و آهنگ: موسیقی بی‌کلام اختصاصی از روی یک توصیف، و آهنگ کامل با شعر هوش مصنوعی یا شعر کاربر، از جمله حالت دقیقی که عین کلمات را حفظ می‌کند و امکان ترجمه شعر.
رونویسی به زیرنویس یا متن ساده، با نشانه‌گذاری هوش مصنوعی و بازبینی انسانی اختیاری.
تصویر و فیلم
استودیوی سبک بصری: ۱۱۵ سبک در ۶ گروه، تا ظاهر تصویر بدون اصطلاحات فنی پرامپت ساخته شود، به همراه نسخه‌ای اختیاری با وضوح بالاتر از هر تصویر.
استودیوی ویدئوی هوش مصنوعی: یک موضوع یا داستان در ۹ مرحله هدایت‌شده به فیلم نهایی تبدیل می‌شود: داستان، تفکیک صحنه‌ها، سبک بصری، شخصیت‌ها، برگه شخصیت، موسیقی متن، نماها، تدوین و خروجی نهایی.
طراحی صدا: ۷۴۴ جلوه صوتی رایگان با مالکیت عمومی درون استودیو، روی خط زمانی صوتی چندلایه.
پیرامون کار
کتابخانه من همه فایل‌های بارگذاری‌شده و همه خروجی‌ها را یک‌جا نگه می‌دارد و هر جا فایلی لازم باشد در دسترس است.
خصوصی به‌طور پیش‌فرض: فقط مالک می‌تواند خروجی را دریافت کند، مگر اینکه پیوند اشتراک بسازد.
رابط کاربری سه‌زبانه: فارسی به‌عنوان پیش‌فرض، به همراه انگلیسی و عربی، با پشتیبانی کامل از راست‌به‌چپ و قابل نصب به‌عنوان وب‌اپلیکیشن.
صفحه‌ساز و وبلاگ دوزبانه، تا صفحات بازاریابی بدون نیاز به برنامه‌نویس منتشر شوند.
نتیجه
بوق در حال بهره‌برداری است و توسعه آن ادامه دارد. استقرارهای محیط عملیاتی یادداشت انتشاری برای کاربران تولید می‌کنند که نام‌های داخلی از آن حذف شده، به فارسی و عربی ترجمه می‌شود و مدیران می‌توانند آن را ویرایش کنند.
اکنون یک تولیدکننده محتوا می‌تواند یک ویدئو را در یک پروژه به چند زبان برساند، به‌صورت زیرنویس، دوبله یا هر دو، و در همان فضای کاری پادکست، موسیقی، تصویر و فیلم بسازد؛ همه نتایج در یک کتابخانه جمع می‌شوند. هر کار پیش از اجرا قیمت یا برآورد اولیه خود را نشان می‌دهد و هزینه کاری که شکست بخورد به‌طور خودکار بازگردانده می‌شود.
گردانندگان پلتفرم می‌توانند بدون انتشار نسخه جدید، مدل‌ها را عوض کنند، کلیدهای ارائه‌دهندگان را جایگزین کنند، بخش‌های محصول را روشن یا خاموش کنند و صفحات بازاریابی را بدون برنامه‌نویس منتشر کنند. پشتیبان‌گیری هر ساعت انجام می‌شود و یک نسخه پشتیبان محیط عملیاتی با خواندن کامل آن راستی‌آزمایی شد.
بازبینی پس از پروژه
اداره پلتفرم در محیط عملیاتی به چند تغییر مسیر انجامید. در هر مورد، فرضی راحت جای خود را به پیش‌فرضی امن‌تر داد.
گفتار. گفتار در ابتدا عمداً به یک ارائه‌دهنده ثابت محدود شده بود، چون ارائه‌دهنده دیگر یعنی صدایی دیگر. وقتی آن ارائه‌دهنده دچار قطعی شد، دوبله‌ها با سکوت به‌جای جمله‌های ازدست‌رفته ساخته شدند. اکنون گفتار از زنجیره‌ای از ارائه‌دهندگان پشتیبان عبور می‌کند، با این اصل که صدایی کمی متفاوت بهتر از سکوت است.
بررسی محتوا. بررسی محتوا پیش‌تر درون فرایند ساخت پروژه اجرا می‌شد و کاربر میان پایان بارگذاری و صفحه پروژه منتظر می‌ماند. اکنون در پس‌زمینه اجرا می‌شود و نتیجه آماده تا پایان بررسی با وضعیت «بررسی محتوا در جریان است» نگه داشته می‌شود، تا خروجی پیش از پایان بررسی، آماده نمایش داده نشود.
انتشار و پشتیبان‌گیری. استقرار در محیط عملیاتی از حالت خودکار به تأیید دستی تغییر کرد که تنها پس از موفقیت آزمون‌های محیط آزمایشی فعال می‌شود. پشتیبان‌گیری ساعتی شد و تازه‌ترین نسخه از ابتدا تا انتها خوانده شد، چون نسخه پشتیبانی که هیچ‌کس آن را نخوانده باشد، پشتیبان نیست.
نقش من
- در نقش مدیر ارشد فنی، معماری بوق را تعریف کرد: سرویس‌های مستقل، درگاهی جداگانه برای هر ارائه‌دهنده هوش مصنوعی، و سه اپلیکیشن مستقل برای مشتریان، مدیران و کارکنان.
- پلتفرم را از نخستین خط کد به خوشه کانتینری عملیاتی و تعریف‌شده به‌صورت کد رساند، با مراحل انتشاری که به تایید دستی ختم می‌شود.
- تصمیم‌های محصول و قیمت‌گذاری در برنامه راه‌اندازی (کمپین‌های قیمت‌گذاری، سیاست مجوزها و سیاست فضای ذخیره‌سازی) را بر عهده داشت و راه‌اندازی را به‌صورت برنامه‌ای ساختاریافته با گام‌های راستی‌آزمایی و بازگشت برای هر مورد پیش برد.
- در نقش مالک محصول، الزامات استودیوی ویدئوی هوش مصنوعی را تعیین کرد و کاتالوگ استودیوی سبک بصری را از مجموعه گزیده خود بنا نهاد.
- روند مهندسی مبتنی بر هوش مصنوعی را هدایت کرد و به عامل‌های برنامه‌نویسی دستور کار داد تا بهترین روش‌ها را بررسی کنند، مرحله‌به‌مرحله برنامه‌ریزی کنند و از مسیر محیط آزمایشی تا محیط عملیاتی تحویل دهند.
مهندسی
ارائه‌دهنده از کار می‌افتد، محصول نه
هر ارائه‌دهنده هوش مصنوعی پشت درگاه اختصاصی خود با جایگزینی خودکار قرار دارد؛ مدل‌ها و کلیدها بدون استقرار دوباره از پنل مدیریت تغییر می‌کنند.
مقاوم در برابر خرابی و اتصال ضعیف
ترجمه‌ها پس از خرابی از نقطه بازیابی ادامه می‌یابند و بارگذاری فایل‌های چندگیگابایتی روی اتصال ضعیف از سر گرفته می‌شود، نه از نو.
رفتار محتاطانه با پول
هزینه کار ناموفق خودکار بازمی‌گردد، بازپرداخت در برابر پرداخت دوباره محافظت شده است و هر تراکنش در دفتری دائمی ثبت می‌شود.
خروجی پیش از پایان بررسی، آماده نمایش داده نمی‌شود
تصویر، ویدئو، صدا و متن در پس‌زمینه بررسی می‌شوند و امکان تجدیدنظر وجود دارد؛ نتیجه تا پایان بررسی منتظر می‌ماند.
کنترل دسترسی چندلایه
اپلیکیشن‌های جداگانه برای مشتریان، مدیران و کارکنان؛ پنل‌ها ورود دومرحله‌ای دارند و مجوزها نقش‌محور است.
پایش، آزمون بار و پشتیبان‌گیری
داشبوردها و هشدارهای درجه‌بندی‌شده، آزمون بار پیش از راه‌اندازی با معیارهای قبولی مشخص، و پشتیبان‌گیری ساعتی که یک نسخه از آن با خواندن کامل راستی‌آزمایی شد.
دستاوردها
- در حال بهره‌برداری و توسعه مستمر، با رابط کاربری فارسی‌محور به سه زبان فارسی، انگلیسی و عربی.
- یک تولیدکننده محتوا می‌تواند یک ویدئو را در یک پروژه به چند زبان برساند: زیرنویس، دوبله یا هر دو.
- پادکست، موسیقی، تصویر و فیلم در همان فضای کاری ساخته می‌شوند و در یک کتابخانه جمع می‌شوند.
- گردانندگان بدون انتشار نسخه جدید، مدل‌ها را عوض می‌کنند، کلیدها را جایگزین می‌کنند و بخش‌های محصول را روشن یا خاموش می‌کنند.
- استقرارهای عملیاتی یادداشت انتشاری برای کاربران تولید می‌کنند که به فارسی و عربی ترجمه می‌شود و مدیران می‌توانند آن را ویرایش کنند.