前言

• 影片有沒有字幕，其實會影響到觀眾的閱覽體驗。
• 然而對於影音創作者來說，上字幕變成一個吃力不討好的工作
  • 沒上字幕，觀眾可能直接不看影片。
  • 透過傳統方法上字幕，要逐字打字外，還要對齊時間也是很麻煩。
• 因為上字幕是個顯而易見的痛點，當今已經有很多付費及免費的方案。
• 字幕是個龐大商機，看看下圖不難發現有很多廠家投放廣告霸榜呢！
  

接下來會說明如何透過 Transcribe 加速字幕產生

Amazon Transcribe

簡介

• 功能：自動語音辨識（ASR, Automatic Speech Recognition），可以將音檔轉換成文字。
• 支援：多種語言（含中文、英文等），也能處理不同說話者（speaker diarization）。
• 輸入：音檔（.mp3、.wav、.flac…），通常放在 Amazon S3。
• 輸出：JSON 檔，裡面包含完整逐字稿，以及時間戳（timestamp），可以直接用來產生字幕檔（例如 SRT、VTT）。

以下列出當前主流四種不同的 Transcribe 方案

Amazon Transcribe (Batch)

• 用途：非即時的音檔轉文字。
• 典型場景：
  • S3 上的錄音檔、會議錄音、Podcast、客服通話錄音。
• 特點：
  • 以 Transcription Job 方式提交，處理完後輸出 JSON。
  • 適合長時間的音檔。
  • 可以指定語言 (LanguageCode)、說話者分離 (Speaker Diarization)、字典自訂。

  非即時需求，用這個方案

Amazon Transcribe Streaming

• 用途：即時語音轉文字。
• 典型場景：
  • 線上會議字幕、客服即時通話分析、即時語音助理。
• 特點：
  • 透過 WebSocket 或 gRPC 直接串流音訊。
  • 會隨著音訊流動即時返回轉寫結果。
  • 支援低延遲字幕。

  直播字幕方案
  

Amazon Transcribe Call Analytics

• 用途：專門為 客服通話 設計的版本。
• 典型場景：
  • 客服中心錄音的轉寫與分析。
• 特點：
  • 內建情緒分析、關鍵字檢測、靜默偵測。
  • 可直接和 Amazon Connect 搭配使用。
  • 幫助做 QA、法規遵循（compliance）檢查。

  根本就是設計給詐騙集團使用的功能 XD
  我個人帶有偏見地看待這一塊，因為即使是真人客服打電話，我都覺得煩人了，何況現在有更多的機器人客服打電話，三不五時就要你保險、借錢、還是投資發大財的。

Amazon Transcribe Medical

• 用途：醫療場景的語音轉文字。
• 典型場景：
  • 醫師看診時的口述病歷、醫療會議錄音。
• 特點：
  • 有醫療專業詞彙辭典（藥品、診斷名詞）。
  • 符合 HIPAA（醫療資料隱私法）規範。
  • 提供醫療領域專屬模型，準確度更高。

  偷懶醫生方案
  被詐騙集團騙了之後，氣血攻心打電話給醫生諮詢，醫生可以先用這個功能擋著！

產生字幕流程

1. 把聲音檔（或影片的音訊檔）放到 S3 bucket。
2. 在 Amazon Transcribe 建立一個 transcription job，指定 S3 的檔案路徑。
3. Transcribe 會處理音檔，產出一份 JSON 結果（存回 S3 或 API 回傳）。
4. 用 AWS 提供的範例 script，把 JSON 轉換成字幕檔（SRT / VTT）。

實作

1. 由於我們在前面的文章中，已經透過開 RTMP 或是 上傳頁面，將影音資料，吃進 exsky-backup-media Bucket 了，所以上傳部分就算完成了。
2. 根據 Amazon Transcribe 定價，可以知道這個收費模式，是以影音長度當作計價標準。
   • 連結： https://aws.amazon.com/tw/transcribe/pricing/
     
3. 建立轉換任務

   aws transcribe start-transcription-job \
     --transcription-job-name my-audio-job \
     --language-code zh-TW \
     --media MediaFileUri="s3://exsky-backup-media/audio.mp3" \
     --output-bucket-name exsky-backup-media
   

4. 查詢任務狀態

aws transcribe get-transcription-job --transcription-job-name my-audio-job

5. 取回 json 檔，其中會包含辨識出的逐字稿。

結論

• 收費比影音長度，每分鐘 USD 0.02400，差不多是台幣 0.72 元。
  • 說貴嗎？ 假設你上字幕的時候，都用一倍速看片，不會發生聽不清楚回放，然後打字的速度也可以達到即時輸出⋯⋯很厲害了吧！！ 這樣優秀的字幕工人，時薪只需要台幣 43.2 元，還不用幫保勞健保，就算不是群海娛樂大股東，也應該會喜歡這種優質服務。
• 當然這個功能還需要整進我們的平台，自動觸發才算完整，就下回分曉了。
• 同時產出多國語言字幕，也是潛在的需求，可能也需要下回分曉。