還在手動上字幕？ Python 幫您完成「自動化上字幕」 - 案例分享（附Python程式碼）

在這AI爆炸的時代，似乎什麼都要來AI一下，不會AI技術好像就落後了一樣，但以現實狀況來說，對於不懂AI技術但又有商業或立即性需求的人來說，根本無從下手。好在Google在近年提供了AI雲端相關服務，讓對AI需求者可以透過Google API，套用深度學習工具，快速產出可交付成果。

這些深度學習的工具概括了:

1. 自然語言處理
2. 語音辨識
3. 影像處理
4. 及時語譯

等等…不勝枚舉的應用，有關更多資訊可以參考Google機器學習。

一、自動化上字幕？ 對誰有影響？

如果您曾經有上過字幕或人工手打逐字稿的經驗嗎？ 相信一定體會過什麼叫做「必要之惡」的痛楚，讓我們說得更白話一些， 上字幕與逐字稿相當於「幾乎無生產力，且又耗時」的工作任務。

再者，我們服務的許多合作夥伴皆有字幕處理上的痛點，尤其是數位媒體業者（影片製作等）對於上字幕或批打逐字稿可說是非常頭痛，更遑論我們周遭的研究者、訪談者、記者、公關、市調者等，整個市場對逐字稿「聽打」的需求與日俱增，我們便深入研究AI聽打的可能性，經過數些時日的研究與編程，我們特地將Google聽打機器學習的複雜的流程優化成一組組的Python套件，讓我們能以簡單易懂、事半功倍的方法使機器實行「AI語音轉文字」。

而所謂自動化上字幕的本意即是「利用機器學習，以最低成本，最高效益讓機器自動批打影片字幕或逐字稿」。並主要滿足下列需求：

1. 數位媒體影音檔上字幕（如:Youtuber對字幕的需求等）
2. 大型機構會議記錄效率上的提升（如:學校、各類公司、政府機關…等）
3. 研究者訪談(碩士生、博士生…等)的文字稿的轉換需求等

本次我們就來分享「自動化字幕」如何在個案中發揮高價值，並且附上部份處理的程式碼讓大家玩味玩味～！

二、案例情境

我們就以某數位媒體 — 影片製作個案為例，其個案的資訊如下:

1. 產品：行銷用之影片（包含動畫等多元商業影片）
2. 通路：網路媒體為主
3. 價格：人工影片字幕 NT 5,000–10,000 / 1小時
4. 銷售：基於影片及字稿時效性，對象須節省時間，上架影片或字稿
5. 難題：

• 台灣觀眾普遍喜愛有上過字幕的影片，但人工上字幕相對無生產力，也不希望團隊將時間損耗在字幕上。
• 如與字幕外包商一來一往通常就要1–3天的工作天，如遇週五時段外包，更又多浪費2天的時間。
• 對於影片製作商來說，時間就是金錢，一支少2–3天的發表時間的影片，等於每月至少要短缺$7,000–10,000 元的營收。這更遑論每個月平均產出20支影片所造成約$140,000–200,000元短缺的營收金額。

三、解決方案之步驟

面對諸如難題，討論許久，最終尋覓出我們的認定的解決方案，並開始了付諸實現下述「兩大主要」步驟:

1. 使用Python為主要語言，作為自動化上字幕的基礎語言
2. 利用GCP(goolge cloud platform)雲端運算資源，遠端處理影音檔龐大的字幕轉換功效，快速產出影片字幕

四、可交付成果

最終的可交付成果主要有3項:

第一項: 影音檔 + 字幕

本個案最重要的可交付成果為「1小時內快速處理完有字幕的1小時影音檔」。透過多方嘗試並遵循解決方案之步驟，我們總算完成這重大的任務！

共1個小時的錄音檔，如果錄音取樣頻率為16KHz，只需要花費9分鐘就可以完成！就算是高音質錄音檔，取樣頻率48KHz，也僅要花大約25分鐘左右的時間就可以精確完成！相較於人工處理的方式，要自己花 3小時批打 30 分鐘的逐字稿內容，這樣比較起來，AI聽打絕對是不錯的選擇!

而以下影片則為我們其中之一的範例檔案，歡迎大家到下述的youtube影片點擊觀看成效！

光看圖片不準，讓我們來看看影片範例吧 ！

步驟一，觀看影片前，提醒讀者將字幕打開。

步驟二，將機器AI自動產生的字幕以鼠標向上移動，這樣就可以看清楚上下兩字幕囉！

如果對影片內容感興趣，可以參考：

台科 emba年年爆滿的一門word課(b+c系列)課程網址

https://hahow.in/cr/tmr-word

觀看完影片後，大家其實可以理解現今機器學習雖然不能100%「取代」人類，但至少節省了人類大約75%-85%的工作時間，確實提供人類一個不錯的解決方案！

第二項: 逐字稿（docx）與字詞改善矩陣（xlsx）

除了影音檔自動上字幕外，我們也為本個案提供自動生成之Word及excel檔案。AI聽打字詞正確矩陣，不但附上每個段落的時間，還附加改善順序，供內外部人員參考做修改。

第三項: 情緒分析與重要字詞文件

最後，我們還特別製作情緒分析及字詞重要性文件，讓使用者或管理者能夠以重要性分析及情緒分析，判別文章中重要字詞，作為改善策略。該部分尤其受到客服產業重視，讓我們稍微換個思考模式，其實就可發現情緒分析與重要字詞可以當作顧客的重要反饋之一，進而改善客服策略。

五、「自動化上字幕」VS營收

所以「自動化上字幕」跟營收有什麼關係？有更具體的效果評估嗎？讓我們回過頭來思考本個案在自動化上字幕與營收的關係，也就是影片製作商可以得到什麼好處？從影片製作商的角度來看，人工執行的成本是$15,000，但如果採用自動化上字幕(AI語音轉文字)，且要求在60分鐘內交付成果，並以最高價格處理估算下來，發現僅需要$3,580。

這樣一來一往造成的結果是：

1. 以一個小時的影片檔案來說，自動化上「字幕」，並且進行人工更正，如果不計算時間成本之損失，每一次可以節省大約NTD$3,420元的成本支出
2. 一個月，就可以省下接近NTD$27,000元
3. 一年，就可以省下接近NTD$330,000元

結語

對數位媒體產業來說，能做到自動化上字幕的方法必定能夠節省大量時間，並且能夠加以利用寶貴的時間去創造更大的價值。而在這資訊蓬勃發展的時代，這樣的自動化工具在數位媒體產業必然有極其可觀的市場。

不過，這一福音不該只在數位媒體業中被利用，應該讓對字幕或逐字稿有需求者使用，不必再花費無謂的時間與精力在機器能一鍵做到的事情上。

附上Python部份程式碼：

附上專案實做部份程式碼，歡迎參考！

作者：鍾皓軒（臺灣行銷研究有限公司 創辦人）