Как речь превращается в «поэзию» на экране
Автосубтитры не записывают звуки как диктофон. Система пытается сопоставить акустический сигнал со словами: оценивает, какие звуки произнесены, где проходят границы между словами и какая фраза лучше подходит контексту. Если произношение отличается от привычного для модели — например, из-за регионального акцента, редкого слова или быстрого темпа, — она может выбрать неверный вариант.
Ошибка тянет за собой следующую
В живой речи соседние слова влияют друг на друга: окончания редуцируются, звуки сливаются, а пауза не всегда совпадает с границей предложения. Поэтому система может неверно разобрать не отдельный звук, а целый кусок фразы. Затем контекстная модель подбирает к нему слова, которые звучат правдоподобно с точки зрения языка, но не соответствуют сказанному. Если первая догадка оказалась неудачной, дальнейшее распознавание порой строится уже на ней.
В результате обычная реплика может превратиться в неожиданное сочетание образов. Особенно заметен контраст, когда субтитр грамматически гладкий, но по смыслу не связан ни с разговором, ни с ситуацией. Читатель невольно ищет в нём метафору — хотя перед ним всего лишь цепочка неверных догадок.
Почему такие сбои не исчезают совсем
Разговорная речь слишком разнообразна, чтобы одна модель одинаково хорошо справлялась с любым голосом, темпом и словарём. Чем реже в обучающих примерах встречается определённый вариант произношения или местное выражение, тем труднее системе распознать его уверенно. Автосубтитры полезны как быстрый черновик, но в важном видео их стоит проверять: смешная «сюрреалистическая поэзия» может скрывать не только нелепость, но и смысл, который зритель пропустит.
