Jede Szene dauert so lange wie ihre Worte

Ein Film fühlt sich richtig an, wenn das Gehörte zum Gesehenen passt. Springt eine Szene über Preise zum nächsten Bildschirm, während die Stimme noch von Preisen spricht, spürt das Publikum es sofort, auch ohne zu wissen, warum.

Eine Durchsicht jüngster Renderings fand genau das: Szenen mit acht Sekunden Text standen 2,9 Sekunden, andere mit 13 Wörtern 2,6. Die Sekunden gingen nicht verloren. Sie liefen über die folgenden Szenen, und genau das gilt es zu verstehen.

Damit die Erzählung natürlich klingt, nutzt ein PageToVid-Film eine einzige durchgehende Sprachaufnahme für das ganze Skript. Die Szenen teilen sich diese Aufnahme: Die Bildschirmzeit jeder Szene ist ihr Stück der einen Spur.

Die Stücke ergeben immer das Ganze. Eine falsch gesetzte Grenze verliert also nie Zeit, sie gibt sie an einen Nachbarn weiter. Deshalb musste die Lösung früher ansetzen, dort, wo jedes Stück beginnt, und deshalb musste sie Zeit hinzufügen, statt sie zu verschieben.

Der Beginn jeder Szene startet als Schätzung und rastet dann auf einer echten Pause der Stimme ein. Zwei Dinge haben diese Schätzung verbessert:

• Sie gewichtet, was gesagt wird, nicht was geschrieben steht. Ein Preis mit Währungszeichen sind ein paar Zeichen und zwei Sekunden Sprache; eine Abkürzung wird Buchstabe für Buchstabe buchstabiert. Die Schätzung nutzt jetzt dasselbe Sprechkostenmodell wie die Untertitel, und das zählt, weil das Einrasten eine Grenze nur um ein paar Sekunden verschieben kann.
• Sie behält die Zeit, die die Spracherkennung gehört hat. In einem schnellen Schnitt beginnt eine Szene oft, während der vorige Satz noch läuft. Hat die Erkennung beide Szenen in derselben Sprechpassage gehört, gilt ihre gemessene Zeit.

Außerdem zählen wir Satzzeichen wie einen einzelnen Doppelpunkt nicht mehr als überhörtes Wort, sodass ein Film den genaueren Weg behält, sobald seine Wörter wirklich gehört wurden.

Für eine Szene, die noch zu kurz ist, muss die Korrektur etwas hinzufügen: Ein Stück zu kürzen würde Wörter löschen, eine Grenze zu verschieben würde das Problem nur weiterreichen. Also fügen wir an der Naht dieser Szene einen Moment Stille in die Sprachdatei ein, auf das Sample genau, und alles danach rückt um denselben Betrag nach hinten. Kein einziges Sample Sprache wird angetastet.

Drei Regeln machen das sicher:

1. 1Nur ein gemessener Mangel bekommt Zeit. Die echte Sprechdauer einer Szene reicht von ihrem ersten gehörten Wort bis zum Ende des letzten; eine Szene, deren Wörter nicht gehört wurden, bleibt genau so, wie sie war.
2. 2Stille kommt nur in Stille. Eine Einfügung bleibt nur, wo darunter eine echte Pause liegt, also wird nie ein Wort zerteilt.
3. 3Eine stumme Karte bekommt die Länge, die ihr Autor wollte, nicht mehr und nicht weniger.

Das ist der Gedanke, der uns am wichtigsten ist. Viele Zahlen in einer Pipeline wie unserer sind Anteile an einer Gesamtsumme, und ein Bericht, der zwei davon vergleicht, stimmt immer mit sich selbst überein. Eine frühe Fassung unseres eigenen Sync-Berichts tat genau das: Sie verglich Szenenlängen mit Werten, die aus denselben Längen berechnet waren, und konnte daher nur Ja sagen. Eine unabhängige Prüfung hat das bemerkt, bevor das Auffüllen live ging.

Der Beweis, den wir ausliefern, liest deshalb die fertige MP4, hört die Wörter in ihrem eigenen Audio und prüft, ob die Wörter jeder Szene in das Bildschirmfenster dieser Szene fallen. Er teilt keinen Begriff mit dem Code, den er prüft. Bei zwei echten Renderings fand er null Szenen außer Takt.

Wer einen Film macht, bekommt Bild und Stimme jetzt im Gleichschritt: Eine Szene bleibt, bis ihre Worte gesagt sind, die Untertitel bleiben bis zur letzten Szene pünktlich, und eine stumme Karte dauert so lange, wie du es festlegst. Assistenten können für jeden Film einen Sync-Bericht lesen und sehen, welche Szenen gemessen wurden.

Du siehst es in den Untertiteln jedes Films in der Galerie, und wie das Timing in einen Film passt, auf der Funktionsseite.