วิธีสร้างคำบรรยาย SRT จากวิดีโอ

ผู้เขียน: Hushscript | เผยแพร่: 17 มิถุนายน 2569 | ตรวจสอบล่าสุด: 22 กรกฎาคม 2569

ไฟล์ SRT คือวิธีที่คำบรรยายแยกจากวิดีโอ เนื่องจากเป็นไฟล์ข้อความช่วยเหลือขนาดเล็กที่โปรแกรมเล่นจะอ่านไปพร้อมกับรูปภาพ คุณสร้างมันขึ้นมาได้โดยการถอดเสียงและส่งออกผลลัพธ์ด้วยการประทับเวลา งานที่เคยใช้เวลาช่วงบ่าย จับเวลาทุกบรรทัดให้กับเฟรม ตอนนี้ได้ทำเพื่อคุณแล้ว สิ่งที่เหลืออยู่คือการแก้ไขสั้นๆ เพื่อให้อ่านง่าย คู่มือนี้จะอธิบายว่าจริงๆ แล้วมีรูปแบบใดบ้าง วิธีสร้าง SRT จากวิดีโอตามลำดับจริง และวิธีการทำความสะอาดเพื่อให้คำบรรยายอ่านได้ดี

สิ่งที่คุณต้องการก่อนเริ่ม

คุณต้องใช้ไฟล์วิดีโอและใช้เวลาสักครู่ คอนเทนเนอร์ทั่วไปใช้งานได้: MP4, MOV, MKV, WebM, AVI และส่วนที่เหลือ คุณไม่จำเป็นต้องมีซอฟต์แวร์แก้ไขเพื่อสร้าง SRT และคุณไม่จำเป็นต้องแปลงวิดีโอก่อน โปรแกรมแก้ไขคำบรรยายเป็นทางเลือกและมีประโยชน์ในภายหลังเท่านั้น หากคุณต้องการดูไทม์ไลน์ในขณะที่คุณปรับจังหวะอย่างละเอียด

คุณลงชื่อสมัครใช้สำหรับการถอดเสียง ซึ่งจะปลดล็อกสิทธิ์ทดลองใช้ฟรี 30 นาที การแสดงตัวอย่าง 30 วินาทีที่เรนเดอร์ก่อนไม่จำเป็นต้องคำนึงถึง ดังนั้นคุณจึงสามารถเห็นคุณภาพก่อนที่จะดำเนินการใดๆ

ไฟล์ SRT คืออะไร

SRT ย่อมาจาก SubRip Text รูปแบบนี้ตั้งใจให้เรียบง่าย โดยประกอบด้วยบล็อกที่เรียงลำดับด้วยหมายเลข แต่ละบล็อกมีสามส่วนในบรรทัดแยกกัน ได้แก่ หมายเลขลำดับ ไทม์สแตมป์ start --> end และข้อความคำบรรยายหนึ่งหรือสองบรรทัด บรรทัดว่างใช้คั่นแต่ละบล็อกออกจากกัน

1
00:00:02,340 --> 00:00:05,810
เสียงจะถูกแยกออกจากเบราว์เซอร์ของคุณ

2
00:00:06,100 --> 00:00:09,440
เฉพาะเสียงเท่านั้นที่ส่งถึงเซิร์ฟเวอร์ ไม่ใช่วิดีโอ

รายละเอียดบางอย่างมีความสำคัญเมื่อคุณอ่านหรือแก้ไขไฟล์ด้วยตนเอง รูปแบบการประทับเวลาคือ HH:MM:SS,mmm ชั่วโมงถึงมิลลิวินาที และตัวคั่นก่อนมิลลิวินาทีจะเป็นลูกน้ำ ไม่ใช่จุด ลูกศรระหว่างสองครั้งคือเครื่องหมายยัติภังค์สองตัวและเครื่องหมายมากกว่า หมายเลขดัชนีควรเรียงลำดับจาก 1 โดยไม่มีช่องว่าง หากทำผิดและผู้เล่นบางคนจะทิ้งคิวที่ได้รับผลกระทบไปอย่างเงียบๆ ซึ่งเป็นเหตุผลเดียวที่พบบ่อยที่สุดที่ทำให้ SRT ที่แก้ไขด้วยมือ “หยุดทำงาน” ในระหว่างทาง

การสนับสนุน SRT มีในวงกว้างสำหรับผู้เล่นบนเดสก์ท็อป บรรณาธิการ และแพลตฟอร์มโฮสติ้ง แต่ไม่ใช่แบบสากล คำอธิบายรูปแบบ Library of Congress บันทึก SRT ว่าเป็นลำดับข้อความอย่างง่ายที่มีหมายเลขและกำหนดเวลา แต่ละปลายทางยังคงตัดสินใจว่าจะนำเข้ารูปแบบคำบรรยายใด องค์ประกอบ HTML <track> แบบเนทิฟใช้ WebVTT สำหรับข้อความที่มีการกำหนดเวลา ตามที่กำหนดไว้ใน มาตรฐานการใช้ชีวิต WHATWG ซึ่งเป็นการแปลงอย่างรวดเร็วซึ่งครอบคลุมอยู่ด้านล่างสุด

สร้าง SRT จากวิดีโอตามลำดับจริง

โฟลว์มีสาม และลำดับคือส่วนที่ผู้คนถอยหลัง คุณวางไฟล์ก่อนและดูตัวอย่างก่อนที่จะมีบัญชี

1. วางวิดีโอของคุณเพื่อดูตัวอย่างฟรี ไปที่ /video-to-text หรือ /MP4-to-text หากไฟล์ของคุณเป็น MP4 และวางวิดีโอลงในพื้นที่อัปโหลด แทร็กเสียงจะถูกแยกในเบราว์เซอร์ของคุณโดยใช้ไลบรารีการประมวลผลในเครื่อง จากนั้น 30 วินาทีแรกจะกลับมาเป็นตัวอย่างที่มีป้ายกำกับผู้พูด ขั้นตอนนี้ไม่จำเป็นต้องใช้บัญชี และวิดีโอจะไม่มีวันออกจากอุปกรณ์ของคุณ
2. ลงทะเบียนเพื่อถอดเสียงส่วนที่เหลือ เมื่อตัวอย่างดูถูกต้องแล้ว ให้สร้างบัญชีเพื่อเรียกใช้ไฟล์ทั้งหมด การลงทะเบียนจะปลดล็อกทดลองใช้ฟรี 30 นาที วิธีที่รวดเร็วที่สุดในการรับคือการตรวจสอบบัตรที่มีการระงับหนึ่งดอลลาร์ที่ได้รับอนุญาตแล้วปล่อยทันทีโดยไม่มีการเรียกเก็บเงิน หากคุณต้องการใช้วิธีการชำระเงินอื่นที่มีอยู่ในประเทศของคุณ เวลา 30 นาทีจะมาถึงเมื่อคุณซื้อครั้งแรกแทน ไม่จำเป็นต้องมีบัตรแต่อย่างใด ชำระค่าถอดเสียงเพราะทำงานบน AI ระดับสูงสุด ดังนั้นจึงจ่ายตามการใช้งานโดยไม่ต้องสมัครสมาชิก สำหรับวิดีโอที่ยาวกว่าซึ่งเกินนาทีฟรี โปรดดูที่หน้าราคา คุณจ่ายเสียงต่อนาที ไม่ใช่ต่อไฟล์
3. รับการถอดเสียงและส่งออก SRT เมื่อการถอดเสียงพร้อมแล้ว ให้เปิดในตัวแก้ไข ทำการแก้ไข จากนั้นคลิกส่งออก และเลือก SRT คำพูดแต่ละครั้งจะกลายเป็นสัญญาณเดียวโดยมีการประทับเวลาเริ่มต้นและสิ้นสุดไว้แล้ว การดาวน์โหลดเป็นไฟล์.srt ธรรมดาที่ไม่มีลายน้ำ

ป้ายกำกับผู้พูดจะปรากฏในตัวแก้ไขก่อนที่คุณจะส่งออก หากต้องการชื่อในคำบรรยายภาพที่เป็นประโยชน์ในการสัมภาษณ์ อภิปราย หรืออภิปราย ให้เปลี่ยนชื่อ “ผู้พูด 1” และ “ผู้พูด 2” เป็นชื่อจริงก่อน จากนั้นการส่งออกจะเขียนชื่อเหล่านั้นที่จุดเริ่มต้นของตัวชี้นำที่ตรงกัน

ตัวอย่างข้างต้น

สมมติว่าคุณมีการสัมภาษณ์ที่บันทึกไว้ความยาว 12 นาทีfounder-chat.mp4 กับคนสองคน คุณวางมันลงบนหน้า การแสดงตัวอย่าง 30 วินาทีเป็นการยืนยันว่าเสียงทั้งสองได้รับฟังอย่างหมดจด และคุณสมัครใช้งาน เมื่อบทถอดเสียงฉบับสมบูรณ์พร้อมแล้ว คุณจะเปลี่ยนชื่อผู้พูดทั้งสองเป็น “Maya” และ “Devin” แก้ไขชื่อผลิตภัณฑ์ที่ได้ยินผิดหนึ่งชื่อ จากนั้นส่งออกเป็น SRT การเปิดไฟล์มีลักษณะดังนี้:

1
00:00:01,120 --> 00:00:04,460
Maya: ขอบคุณที่สละเวลาในวันนี้

2
00:00:04,800 --> 00:00:08,210
Devin: แน่นอน ฉันรอคอยสิ่งนี้มาตลอด

3
00:00:08,540 --> 00:00:12,900
Maya: เรามาเริ่มตั้งแต่ต้นกันดีกว่า แนวคิดนี้เกิดขึ้นได้อย่างไร

มีสองสิ่งที่น่าสังเกต แต่ละคิวเชื่อมโยงกับคำพูดที่เป็นธรรมชาติ ดังนั้นจังหวะเวลาจะเป็นไปตามการสนทนามากกว่านาฬิกาตายตัว และช่องว่างระหว่างสัญญาณต่างๆ ตรงนี้ไม่กี่ร้อยมิลลิวินาที สะท้อนถึงการหยุดชั่วคราวที่แท้จริงระหว่างผู้พูด โดยปกติแล้วจะเป็นสิ่งที่คุณต้องการ โดยมีข้อแม้ประการหนึ่งที่จะกล่าวถึงต่อไป

แก้ไขเวลาและความยาวบรรทัด

การส่งออกส่วนใหญ่สามารถใช้งานได้ตามที่เป็น แต่การตรวจสอบอย่างรวดเร็วสองครั้งจะทำให้คำบรรยายอ่านง่ายขึ้นอย่างเห็นได้ชัด การส่งผ่านสั้นๆ นี้เป็นสิ่งที่แยกคำบรรยายที่สร้างขึ้นอัตโนมัติออกจากคำบรรยายที่ให้ความรู้สึกเป็นมืออาชีพ

ความยาวบรรทัดและจำนวนบรรทัด คำแนะนำสไตล์จะแตกต่างกันไป และตัวรูปแบบ SRT เองไม่ได้บังคับใช้ความยาวบรรทัดสากลหรือจำนวนบรรทัด ข้อความที่ยาวอาจกลายเป็นกำแพงข้อความได้ ปฏิบัติตามกฎปัจจุบันของจุดหมายปลายทางเมื่อมีกฎดังกล่าว มิฉะนั้น ให้แต่ละคิวมีขนาดกะทัดรัด แยกตามขอบเขตวลีที่เป็นธรรมชาติ และตรวจสอบผลลัพธ์ในขนาดเฟรมสุดท้าย

ความเร็วในการอ่าน ความยาวบนหน้าจอจะต้องตรงกับระยะเวลาที่คิวแสดง หากคิวแสดงข้อความจำนวนมากในช่วงเวลาสั้นๆ ให้แบ่งข้อความโดยหยุดชั่วคราวตามธรรมชาติหรือเล่นซ้ำโดยไม่ครอบคลุมคำพูดในภายหลัง ดูตัวอย่างคำบรรยายด้วยความเร็วการเล่นปกติแทนที่จะตัดสินจังหวะเวลาจากไฟล์ข้อความเพียงอย่างเดียว

ช่องว่างและการทับซ้อนกันของจังหวะ ช่องว่างที่สั้นกว่าประมาณ 80 มิลลิวินาทีระหว่างสองคิวอาจทำให้ผู้เล่นบางคนค้างบรรทัดก่อนหน้ายาวเกินไปหรือข้ามบรรทัดถัดไป ดังนั้นให้พักหายใจเล็กน้อยระหว่างคิวจากด้านหลังไปด้านหลัง ปัญหาตรงกันข้ามคือการทับซ้อนกัน เมื่อคนสองคนคุยกัน ระบบจะกำหนดคิวให้ผู้พูดแต่ละคนแยกกัน และสัญญาณเหล่านั้นอาจขัดแย้งกันทันเวลา ไม่มีเครื่องมืออัตโนมัติใดที่จะแก้ไขการทับซ้อนที่แท้จริงได้อย่างสมบูรณ์แบบ ดังนั้นสำหรับฟุตเทจที่มีบทสนทนาหนักหน่วง ให้สแกนหาการประทับเวลาที่ทับซ้อนกันและดันคิวหนึ่งคิวล่วงหน้าหรือหลังจากนั้นด้วยมือ

คุณสามารถดำเนินการทั้งหมดนี้ได้ในโปรแกรมแก้ไขข้อความธรรมดาใดๆ เนื่องจากรูปแบบนี้มนุษย์สามารถอ่านได้ หากคุณต้องการทำงานแบบเห็นภาพ โปรแกรมแก้ไขคำบรรยายโดยเฉพาะ เช่น Subtitle Edit บน Windows หรือ Aegisub บนแพลตฟอร์มใดๆ จะเพิ่มไทม์ไลน์ของรูปคลื่นและสามารถแก้ไขปัญหาการเว้นวรรคทั่วไปและความเร็วในการอ่านจำนวนมากได้โดยอัตโนมัติ

SRT กับ VTT: รูปแบบใดที่จะส่งออก

ทั้งสองรูปแบบมีความสัมพันธ์กัน และตัวเลือกที่เหมาะสมจะขึ้นอยู่กับตำแหน่งที่จะเล่นคำบรรยาย หากคุณต้องการการเปรียบเทียบแบบเต็มก่อนที่จะตัดสินใจ SRT กับ VTT: รูปแบบคำบรรยายที่จะใช้ จะแจกแจงจุดแข็งของแต่ละรูปแบบ

เข้าถึง SRT สำหรับโปรแกรมเล่นบนเดสก์ท็อป โปรแกรมตัดต่อวิดีโอ และแพลตฟอร์มโฮสติ้งส่วนใหญ่ ซึ่งเป็นสิ่งที่คนส่วนใหญ่ต้องการ เข้าถึง WebVTT เมื่อคำบรรยายปรากฏบนหน้าเว็บที่กำหนดเองโดยใช้องค์ประกอบ HTML5 <video> เนื่องจากนั่นเป็นเบราว์เซอร์รูปแบบเดียวที่อ่านได้เองสำหรับองค์ประกอบ <track> เนื้อหาเหมือนกันระหว่างพวกเขา VTT เพียงเพิ่มบรรทัด WEBVTT ที่ด้านบนของไฟล์ และใช้จุดแทนลูกน้ำก่อนมิลลิวินาทีในการประทับเวลาแต่ละครั้ง

เนื่องจากความแตกต่างมีน้อยมาก คุณจึงไม่จำเป็นต้องถอดเสียงใหม่เพื่อสลับ ส่งออก SRT และหากคุณต้องการ VTT ในภายหลัง ให้เรียกใช้ผ่านตัวแปลงฟรีที่ /tools/SRT-to-VTT มันใช้งานได้ในเบราว์เซอร์ของคุณโดยไม่ต้องมีบัญชีและไม่มีการอัพโหลด

เพิ่ม SRT ให้กับเครื่องเล่น โปรแกรมแก้ไข หรือแพลตฟอร์ม

เมื่อคุณมีไฟล์แล้ว การแนบไฟล์นั้นขึ้นอยู่กับว่าวิดีโอนั้นอยู่ที่ใด

เครื่องเล่นบนเดสก์ท็อป VLC, mpv และเครื่องเล่นบนเดสก์ท็อปส่วนใหญ่จะโหลด sidecar SRT โดยอัตโนมัติเมื่อแชร์ชื่อและโฟลเดอร์พื้นฐานของวิดีโอ เปลี่ยนชื่อไฟล์ของคุณเพื่อให้interview.mp4 จับคู่กับ interview.srt วางลงในไดเร็กทอรีเดียวกัน และคำบรรยายจะปรากฏในการเล่น หากผู้เล่นพลาด เมนูคำบรรยายจะมีตัวเลือก “โหลดไฟล์คำบรรยาย” ด้วยตนเอง

โปรแกรมตัดต่อวิดีโอ ใน DaVinci Resolve, Premiere Pro หรือ Final Cut ให้นำเข้า SRT เป็นแทร็กคำบรรยายหรือคำบรรยาย ตัวแก้ไขวางแต่ละคิวลงบนไทม์ไลน์ในโค้ดเวลาที่ถูกต้อง จากนั้นคุณสามารถจัดรูปแบบแบบอักษร เปลี่ยนตำแหน่ง และเบิร์นคำบรรยายลงในการส่งออกขั้นสุดท้ายได้หากต้องการให้ฮาร์ดโค้ด

แพลตฟอร์มโฮสติ้งและวิดีโอโซเชียล YouTube ยอมรับ SRT โดยตรงในขั้นตอนการทำงานของคำบรรยาย แพลตฟอร์มอื่นๆ อาจยอมรับไฟล์ช่วยเหลือ ต้องใช้โปรแกรมแก้ไขคำบรรยายในตัว หรือคาดว่าคำบรรยายจะถูกฝังลงในวิดีโอ ให้ SRT ที่ได้รับการตรวจสอบแล้วเป็นแหล่งข้อมูลที่แท้จริงของคุณ จากนั้นใช้ขั้นตอนการเผยแพร่ปัจจุบันของปลายทาง แทนที่จะคิดว่าวิธีการอัปโหลดวิธีเดียวใช้ได้ผลในทุกที่

การเบิร์นคำบรรยาย หากคุณต้องการให้ข้อความเป็นส่วนหนึ่งของรูปภาพอย่างถาวร แทนที่จะใช้ไฟล์ด้านข้างที่สลับได้ นั่นเป็นขั้นตอนการเข้ารหัสที่แยกต่างหาก HandBrake สามารถเบิร์น SRT ลงในวิดีโอได้ฟรี: โหลดวิดีโอ เพิ่ม SRT ใต้แท็บคำบรรยาย ทำเครื่องหมายที่ “เบิร์นอิน” และเข้ารหัส เข้าถึงสิ่งนี้เฉพาะเมื่อปลายทางไม่สามารถอ่านไฟล์ช่วยเหลือได้ เนื่องจาก SRT ที่แยกต่างหากยังคงสามารถแก้ไขได้ในขณะที่คำบรรยายแบบเบิร์นอินไม่สามารถแก้ไขได้ หากต้องการทราบคำแนะนำโดยละเอียดยิ่งขึ้นเกี่ยวกับการแนบและเขียนคำบรรยายในแต่ละแพลตฟอร์ม โปรดดูวิธีเพิ่มคำบรรยายลงในวิดีโอ

ปัญหาทั่วไปและวิธีแก้ไข

คำบรรยายไม่ซิงค์กันตั้งแต่เริ่มต้น ค่าชดเชยคงที่ โดยที่ทุกบรรทัดขึ้นต้นหรือช้าด้วยจำนวนเท่ากัน มักจะหมายความว่าผู้เล่น การอ่านอัตราเฟรมที่แตกต่างกันเล็กน้อยจากอัตราที่กำหนดเวลาไว้ โปรแกรมเล่นเดสก์ท็อปส่วนใหญ่มีการควบคุมการหน่วงเวลาคำบรรยายเพื่อเปลี่ยนแทร็กทั้งหมดพร้อมกัน ดันจนกระทั่งบรรทัดแรกตกลงไป และส่วนที่เหลือตามมา

การซิงค์จะแยกออกจากกันเมื่อเวลาผ่านไป การเลื่อนที่ขยายใหญ่ขึ้นเมื่อวิดีโอเล่นชี้ไปที่อัตราเฟรมที่ไม่ตรงกันระหว่างแหล่งที่มาและสำเนาที่แสดงผล ซึ่งเป็นเรื่องปกติหลังจากแปลงไฟล์ 23.976 fps เป็น 25 fps หรือย้อนกลับ ส่งออก SRT อีกครั้งโดยเทียบกับเวอร์ชันของวิดีโอที่คุณจะเผยแพร่จริง แทนที่จะตัดก่อนหน้านี้

ชื่อผู้พูดหายไปจากคำบรรยาย หากคุณเปลี่ยนชื่อป้ายกำกับ แต่แพลตฟอร์มไม่แสดงชื่อ แพลตฟอร์มนั้นมีแนวโน้มที่จะตัดคำนำหน้าของผู้พูดจาก SRT เมื่อนำเข้า ไม่มีการตั้งค่า SRT ที่บังคับ การแก้ไขที่เชื่อถือได้คือการเบิร์นคำบรรยายโดยที่ชื่อเป็นส่วนหนึ่งของรูปภาพ

วิดีโอที่ไม่ใช่ภาษาอังกฤษกลับมาในภาษาที่ไม่ถูกต้อง Hushscript ตรวจจับภาษาพูดโดยอัตโนมัติในประมาณ 99 ภาษา แต่คลิปที่สั้นมากหรือมีเสียงรบกวนอาจทำให้อ่านผิดในบางครั้ง เรียกใช้ส่วนทำความสะอาดอีกครั้ง หรือตรวจสอบ หน้าภาษา เพื่อยืนยันว่าภาษาครอบคลุม

การเหยียดยาวอ่านเป็นสัญญาณขนาดใหญ่ สิ่งนี้เกิดขึ้นเมื่อมีคนพูดเป็นเวลานานโดยไม่มีการหยุดที่ชัดเจน แบ่งคิวด้วยตนเองที่ขอบเขตประโยค เพื่อไม่ให้บล็อกใดมีข้อความที่อ่านได้มากกว่าสองบรรทัด

เคล็ดลับความแม่นยำที่คุ้มค่ากับการแก้ไขน้อยลง

คุณภาพส่วนใหญ่ของคำบรรยายของคุณได้รับการตั้งค่าก่อนที่คุณจะเปิดโปรแกรมแก้ไขด้วยเสียงที่คุณป้อน เสียงต้นฉบับที่สะอาดหมายถึงการได้ยินคำที่ผิดพลาดน้อยลงและการประทับเวลาที่เข้มงวดมากขึ้น ซึ่งหมายถึงการส่งผ่านการแก้ไขที่สั้นลง

บันทึกหรือส่งออกเสียงในระดับการพูดปกติโดยไม่มีการบีบอัดข้อมูลจำนวนมาก และหลีกเลี่ยงเสียงเพลงพื้นหลังที่ดังในบทสนทนาที่คุณทำได้ เมื่อมีหลายคนมีส่วนร่วม การบันทึกเสียงโดยแต่ละเสียงมีความแตกต่างกันพอสมควรจะช่วยให้ป้ายกำกับของผู้พูดมีความสอดคล้องกัน ซึ่งสำคัญหากคุณวางแผนที่จะเก็บชื่อไว้ในคำบรรยาย หากแหล่งที่มาเป็นวิดีโอที่คุณได้เผยแพร่แล้ว เสียงจะเป็นอะไรก็ได้ แต่สำหรับสิ่งที่คุณบันทึกเอง การใส่ใจในระดับและตำแหน่งไมโครโฟนเพียงไม่กี่นาทีจะให้คุณภาพคำบรรยายมากกว่าการตัดต่อใดๆ ในภายหลัง

หลัง SRT: ส่วนที่เหลือของการถอดเสียง

การสร้าง SRT ยังช่วยให้คุณได้รับข้อความถอดเสียงแบบเต็ม ดังนั้น คุณจะไม่ถูกจำกัดอยู่เพียงคำบรรยาย จากเซสชันเดียวกัน คุณสามารถส่งออกข้อความเป็น TXT หรือ DOCX สำหรับโน้ตประกอบตอน เวอร์ชันบล็อกของการพูดคุย หรือข้อความถอดเสียงที่สามารถเข้าถึงได้ซึ่งโพสต์ไว้ข้างวิดีโอ การส่งออกข้อความถอดเสียงที่ชัดเจนเป็นผลิตภัณฑ์เดียวกับคำบรรยาย วิดีโอเป็นข้อความ SRT เป็นเพียงรูปแบบหนึ่งที่ออกมา

สำหรับขั้นตอนต่อไป การใส่คำบรรยายเหล่านี้ลงในวิดีโอ และเลือกระหว่างไฟล์ช่วยเหลือและแทร็กที่เบิร์นอิน โปรดดู วิธีเพิ่มคำบรรยายลงในวิดีโอ