فایل SRT (مخفف SubRip Subtitle) یک فایل متنی ساده و جهانی است که برای نمایش متن روی ویدیوها استفاده می‌شود. جواب کوتاه به اینکه ساختار آن چیست، این است: این فایل از چهار بخش تشکیل شده است؛ شماره ترتیب، زمان شروع و پایان دیالوگ (با فرمت ساعت:دقیقه:ثانیه،میلی‌ثانیه)، خود متن دیالوگ، و یک خط خالی برای جدا کردن از دیالوگ بعدی. اگر زمان‌بندی این فایل با صدای ویدیو هماهنگ نباشد، می‌توانید با استفاده از ابزارهای هوش مصنوعی و ویرایشگر زمان‌بندی، تمام خطوط را در چند ثانیه به جلو یا عقب بکشید.
با گسترش تولید محتوای ویدیویی، فایل‌های اس‌آرتی به یک استاندارد بی‌رقیب تبدیل شده‌اند. از یوتیوب و آپارات گرفته تا نرم‌افزارهای پخش خانگی و شبکه‌های اجتماعی، همه از این فرمت پشتیبانی می‌کنند. اگرچه ابزارهای مدرن به صورت خودکار این فایل‌ها را برای شما می‌سازند، اما درک ساختار داخلی آن‌ها و یادگیری نحوه ویرایش دستی و تنظیم زمان‌بندی، مهارتی است که هر تولیدکننده محتوایی باید به آن مسلط باشد. در این مقاله همه‌چیز را درباره این فرمت قدرتمند کالبدشکافی می‌کنیم.
ساختار کالبدشناختی فایل SRT
اگر یک فایل SRT را با نرم‌افزار نوت‌پد (Notepad) در ویندوز یا یک ویرایشگر متن ساده در موبایل باز کنید، هیچ کد پیچیده یا گرافیک عجیبی نمی‌بینید. سادگی این فایل بزرگترین نقطه قوت آن است. بیایید یک بلوک متنی استاندارد را بررسی کنیم:
1 00:01:20,000 --> 00:01:23,500 سلام، به کانال یوتیوب من خوش آمدید.
این بلوک ساده به پخش‌کننده ویدیو می‌گوید که جمله مورد نظر، باید دقیقاً در دقیقه یک و ثانیه بیست روی صفحه ظاهر شود، و در دقیقه یک و ثانیه بیست‌وسه و نیم (پانصد میلی‌ثانیه) از روی صفحه محو شود.
همانطور که می‌بینید، فرمت زمان‌بندی به شدت سخت‌گیرانه است. نماد فلش (-->) بین دو زمان، و استفاده از کاما (,) برای جدا کردن ثانیه از میلی‌ثانیه کاملاً الزامی است. اگر حتی یک فاصله اضافه در این بخش‌ها تایپ شود، نرم‌افزار پخش ویدیو قادر به خواندن آن بلوک نخواهد بود و ممکن است کل زیرنویس از کار بیفتد.
چرا SRT محبوب‌ترین فرمت جهان است؟
در دنیای تکنولوژی فرمت‌های متنی دیگری مثل VTT (که بیشتر برای وب استفاده می‌شود) یا ASS (که امکانات گرافیکی و رنگ‌آمیزی پیچیده‌ای دارد) نیز وجود دارند. اما فرمت ساب‌ریپ (SRT) به دلایل روشنی همچنان حاکم مطلق است.
اولین دلیل، حجم بسیار پایین آن است. یک فایل متنی یک ساعته معمولاً کمتر از پنجاه کیلوبایت حجم دارد. دلیل دوم، سازگاری است. شما نیازی به نصب نرم‌افزار خاصی برای باز کردن یا ساختن آن ندارید. دلیل سوم و مهم‌ترین دلیل برای وب‌مسترها، قابلیت ایندکس شدن توسط موتورهای جستجو است. وقتی شما یک فایل اس‌آرتی را به همراه ویدیوی خود در یوتیوب آپلود می‌کنید، در واقع در حال ارائه متن کامل ویدیوی خود به ربات‌های جستجوگر هستید تا سئوی محتوای شما را دگرگون کنند.
چطور یک فایل SRT حرفه‌ای بسازیم؟
برای داشتن این فایل، دو مسیر سنتی و مدرن پیش روی شماست. مسیر سنتی شامل تایپ دستی است که برای ویدیوهای امروزی کاملاً منسوخ شده به حساب می‌آید.
در روش سنتی، شما باید ویدیو را پخش کنید، ثانیه شروع حرف زدن را یادداشت کنید، دیالوگ را تایپ کنید و دوباره برای جمله بعدی این کار را تکرار کنید. این کار برای یک ویدیوی کوتاه ده دقیقه‌ای ممکن است ساعت‌ها زمان ببرد.
مسیر مدرن، استفاده از تکنولوژی پردازش ابری است. شما می‌توانید با استفاده از ویرایشگر زمان‌بندی که مبتنی بر هوش مصنوعی است، ویدیوی خود را آپلود کنید. موتورهای تشخیص گفتار به صورت خودکار صدای گوینده را شنیده، آن را در صورت نیاز ترجمه کرده، و فایل کامل را با زمان‌بندی میلی‌ثانیه‌ای در اختیار شما قرار می‌دهند. برای یادگیری نحوه چسباندن این فایل‌ها به ویدیو برای اینستاگرام و آپارات، به مقاله آموزش افزودن زیرنویس فارسی مراجعه کنید.
مشکلات رایج زمان‌بندی زیرنویس (Sync Issues)
یکی از آزاردهنده‌ترین تجربه‌ها برای مخاطب، تماشای ویدیویی است که متن آن با صدای بازیگر هماهنگ نیست (Out of Sync). مخاطب کلمه را می‌خواند در حالی که بازیگر هنوز دهانش را باز نکرده است، یا برعکس. این ناهماهنگی معمولاً به دو دلیل عمده رخ می‌دهد.
جابه‌جایی ثابت زمانی (Constant Shift)
این مشکل زمانی پیش می‌آید که کل فایل متنی، به یک اندازه مشخص (مثلاً همیشه سه ثانیه) از ویدیو عقب‌تر یا جلوتر باشد. دلیل این اتفاق معمولاً این است که ویدیویی که شما دانلود کرده‌اید با ویدیویی که مترجم از روی آن فایل را ساخته است، تفاوت دارد. مثلاً نسخه شما دارای یک تیتراژ ابتدایی پنج ثانیه‌ای است که در نسخه مترجم وجود نداشته است.
حل این مشکل بسیار ساده است. شما باید تمام زمان‌های موجود در فایل را به اضافه پنج ثانیه کنید. ابزارهای آنلاین و نرم‌افزارهای پخش ویدیو این کار را با یک دکمه انجام می‌دهند که در بخش بعدی به آن می‌پردازیم.
ناهماهنگی تدریجی و فریم ریت (Frame Rate Mismatch)
این مشکل پیچیده‌تر است. در ابتدای ویدیو همه‌چیز هماهنگ است، اما هرچه ویدیو جلوتر می‌رود، تاخیر متن بیشتر و بیشتر می‌شود. در دقیقه ده متن دو ثانیه تاخیر دارد و در دقیقه سی، این تاخیر به ده ثانیه می‌رسد.
دلیل این اتفاق، تفاوت در نرخ فریم (FPS) ویدیوی شما و ویدیوی مرجع است. مثلاً فایل متنی برای ویدیویی با ۲۴ فریم در ثانیه ساخته شده، اما ویدیوی شما ۲۵ یا ۳۰ فریم در ثانیه است. این تفاوت فریم‌ها در طول زمان روی هم انباشته شده و باعث فاصله افتادن تدریجی بین صدا و متن می‌شود.
ویرایش زیرنویس و حل مشکلات زمان‌بندی
برای اصلاح خطاهای زمانی، نیازی نیست تک‌تک خطوط را به صورت دستی در نوت‌پد عوض کنید. پلتفرم‌های ابری و نرم‌افزارهای تخصصی این کار را برای شما اتوماتیک کرده‌اند.
اگر مشکل شما از نوع تاخیر ثابت است، می‌توانید فایل را در پنل هوش مصنوعی بارگذاری کنید و در بخش ویرایش زمان، گزینه شیفت زمانی (Time Shift) را انتخاب کنید. به سیستم می‌گویید: "تمام خطوط متنی را دو ثانیه و صد میلی‌ثانیه به جلو ببر". سیستم تمام محاسبات ریاضی را در کسری از ثانیه روی صدها خط متنی اعمال می‌کند و فایل اصلاح‌شده را به شما تحویل می‌دهد.
اگر با مشکل ناهماهنگی تدریجی (فریم ریت) مواجه هستید، باید از ابزارهای هماهنگ‌سازی دونقطه‌ای استفاده کنید. به این صورت که زمان دیالوگ اول را با صدای ویدیو تنظیم می‌کنید، سپس به آخرین دیالوگ ویدیو می‌روید و زمان آن را نیز دقیقاً روی صدای پایانی تنظیم می‌کنید. سیستم به صورت خودکار، تمام خطوط میانی را کشیده یا فشرده می‌کند تا بین این دو نقطه، هماهنگی کامل برقرار شود.
خطای هم‌پوشانی زمانی (Overlapping Timestamps)
هنگام ویرایش زیرنویس به صورت دستی، یکی از خطاهایی که ممکن است به صورت ناخواسته ایجاد کنید، هم‌پوشانی زمانی است. این یعنی زمان پایان دیالوگ قبلی، بعد از زمان شروع دیالوگ بعدی باشد.
برای مثال، اگر خط اول تا ثانیه 00:01:25,000 ادامه داشته باشد، و شما خط دوم را طوری ویرایش کنید که از ثانیه 00:01:24,000 شروع شود، پخش‌کننده ویدیو دچار اختلال می‌شود. برخی پلیرها خط دوم را نشان نمی‌دهند و برخی دیگر هر دو خط را روی هم می‌اندازند که خوانایی را از بین می‌برد. همیشه دقت کنید که بین زمان پایان یک بلوک و شروع بلوک بعدی، حداقل چند میلی‌ثانیه فاصله منطقی وجود داشته باشد.
مشکل ناخوانا بودن حروف فارسی در تلویزیون و کامپیوتر
حتماً برای شما هم پیش آمده که فایل اس‌آرتی سالمی را روی تلویزیون هوشمند یا کامپیوتر اجرا کرده‌اید، اما به جای کلمات فارسی، یک سری حروف عجیب‌وغریب، علامت سوال یا مربع‌های توخالی (Giberish) دیده‌اید.
این مشکل هیچ ربطی به زمان‌بندی ندارد، بلکه به سیستم کدگذاری کاراکترها (Encoding) مربوط است. کامپیوترها در زبان‌های مختلف، کلمات را با استانداردهای متفاوتی ذخیره می‌کنند. اگر فایل شما با فرمت استاندارد غربی (ANSI) ذخیره شده باشد، دستگاه‌های پخشی که فونت فارسی ندارند نمی‌توانند آن را بخوانند.
برای حل این مشکل برای همیشه، کافی است فایل متنی خود را در کامپیوتر باز کنید، گزینه Save As را بزنید، و در پنجره ذخیره‌سازی، در پایین صفحه بخش Encoding را از حالت ANSI به حالت UTF-8 تغییر دهید. فرمت UTF-8 یک استاندارد بین‌المللی است که از تمام زبان‌های دنیا از جمله فارسی و عربی پشتیبانی می‌کند. تمام فایل‌های خروجی گرفته شده از پلتفرم‌های ابری معتبر، به صورت پیش‌فرض با فرمت UTF-8 ذخیره می‌شوند تا این دردسرها را برای کاربران به صفر برسانند.
استانداردسازی طول متن در هر فریم
همانطور که در مقالات پیشین اشاره شد، یکی از اصول حیاتی در متنی کردن ویدیو، خوانایی است. فایل متنی شما هرچقدر هم که زمان‌بندی دقیقی داشته باشد، اگر پر از جملات طولانی باشد، کاربر نمی‌تواند آن را بخواند.
در هنگام ویرایش فایل، به قانون ۴۰ کاراکتر در هر خط پایبند باشید. هیچ خطی نباید آنقدر طولانی شود که از کناره‌های تصویر بیرون بزند. همچنین، در هر بلوک زمانی نباید بیشتر از دو خط متن قرار داشته باشد. اگر یک جمله بسیار طولانی است، آن را به دو بلوک زمانی مجزا (دو شماره ترتیبی مختلف) تقسیم کنید. هوش مصنوعی امروزی این قواعد استاندارد را به صورت خودکار هنگام پردازش و قطعه‌بندی دیالوگ‌ها رعایت می‌کند، اما به عنوان یک ویرایشگر انسانی، آگاهی از این قوانین به شما در بهینه‌سازی نهایی خروجی کمک شایانی خواهد کرد.
جمع‌بندی؛ تسلط بر زمان و متن
فایل SRT با وجود سادگی در ظاهر، ابزاری قدرتمند برای ارتباط با میلیون‌ها مخاطب در سراسر جهان است. تسلط بر نحوه ساختاردهی، ویرایش و تنظیم زمان‌بندی این فایل‌ها، مهارتی ضروری برای هر تولیدکننده محتوا در یوتیوب، آپارات و شبکه‌های اجتماعی است. با جایگزین شدن روش‌های دستی خسته‌کننده با پلتفرم‌های پردازش ابری، اکنون شما می‌توانید زمان خود را به جای درگیری با ثانیه‌ها و میلی‌ثانیه‌ها، روی ارتقای کیفیت ترجمه و جذابیت محتوای ویدیویی خود متمرکز کنید.
پرسش‌های متداول
آیا می‌توانم در فایل متنی خود، رنگ فونت کلمات را تغییر دهم؟ فرمت ساب‌ریپ (SRT) در حالت استاندارد خود فقط از متن ساده پشتیبانی می‌کند و کدهای رنگی را نمی‌شناسد. اگرچه برخی پلیرها از تگ‌های اولیه HTML مثل پررنگ کردن (Bold) پشتیبانی می‌کنند، اما برای تغییرات گرافیکی پیچیده باید از فایل را به صورت هاردساب روی تصویر حک کنید.
نرم‌افزار پخش‌کننده کامپیوتر من زیرنویس را نمی‌شناسد، چه کار کنم؟ ساده‌ترین راه برای حل این مشکل این است که نام فایل ویدیویی (مثلاً Video.mp4) و نام فایل متنی (Video.srt) را دقیقاً مشابه هم قرار دهید و هر دو را در یک پوشه بگذارید. در این صورت، پخش‌کننده به صورت خودکار فایل متنی را پیدا کرده و روی ویدیو نمایش می‌دهد.
چرا هوش مصنوعی کلمات را زودتر از حرف زدن بازیگر روی صفحه می‌آورد؟ این اتفاق در ابزارهای پیشرفته بسیار نادر است، اما اگر رخ دهد، دلیل آن معمولاً نویز بسیار زیاد محیط یا موسیقی بلند است که موتور تشخیص گفتار را در پیدا کردن نقطه دقیق شروع واج‌ها دچار خطا می‌کند. این خطاها در ویرایشگر ابری با یک کلیک و شیفت زمانی قابل اصلاح است.
آیا ایندکس شدن فایل متنی توسط گوگل واقعیت دارد؟ بله، به خصوص در پلتفرم یوتیوب. اگر شما فایل متنی ترجمه‌شده و استاندارد خود را به عنوان Closed Caption (CC) در یوتیوب آپلود کنید، گوگل تمام کلمات آن را ایندکس کرده و در نتایج جستجوی خود لحاظ می‌کند.
