自動キャプションスタイリング＆ビデオエクスポートエンジン

MicrocosmWorksは、単語ごとのハイライト、カラオケスタイルのプログレッシブ表示、アニメーションテキストエフェクトなど、40以上のプリセットキャプションスタイルを備えたテンプレートエンジンを構築しました。このエンジンは、ビデオの背景を分析し、様々なシーン構成において可読性を確保するために、コントラストの効いた色、影の深さ、そして位置を自動的に選択します。

はい、MicrocosmWorksは、音声トラックから個々の話者を識別し、各話者の字幕に異なる配色や位置を割り当てるspeaker diarizationを統合しています。一貫した話者が登場するポッドキャスト形式のコンテンツの場合、システムは話者の身元を学習し、エピソード間で割り当てられたスタイルを維持します。

MicrocosmWorks は、転写バックエンドとして Whisper large-v3 を統合し、クリアな英語音声で 95-98% の単語精度、アクセントのある音声や騒がしい環境では 90-95% を達成しました。このシステムには、転写を更新し、修正されたテキストでスタイル付きキャプションを自動的に再レンダリングする手動修正インターフェースが含まれています。

MicrocosmWorksは、720pから4Kまでのあらゆる解像度で、スタイル付きキャプションをH.264およびH.265でエンコードされたMP4ファイルに直接焼き付けるためのエクスポートパイプラインを構築しました。このエンジンは、スタイル付き字幕のネイティブレンダリングをサポートするプラットフォーム向けに、スタイリングメタデータを含む個別のSRT、VTT、およびASS字幕ファイルもエクスポートします。

MicrocosmWorks は、キャプション技術プロジェクトを$20〜$40/時間の料金で提供しています。文字起こし連携、40種類以上のスタイルテンプレート、およびマルチフォーマットエクスポートを含む完全なキャプションスタイリングエンジンは、通常350〜500開発時間を必要とします。現在、ビデオあたり15〜30分を費やして手動でキャプションをスタイリングしているコンテンツチームにとって、このシステムは迅速に費用対効果を発揮します。