Dubbing AI z montażem dialogów i miksem — Warszawa

Dubbing AI sprowadza się dziś zwykle do jednego kliknięcia i pliku, który wraca po kilku minutach. Jeśli masz materiał, który ma pójść w kilku wersjach językowych — szkolenie, film korporacyjny, dokument, kanał wideo — prawdopodobnie próbowałeś już takiego narzędzia i coś w efekcie zgrzytnęło, choć trudno było powiedzieć co. W naszym studiu postprodukcji dźwięku w Warszawie (na Żoliborzu) zaczynamy pracę dokładnie w tym miejscu, w którym generator kończy.

Model generuje pierwszą wersję ścieżki — dubbing zaczyna się dopiero potem. Rozpisujemy wszystkie szesnaście czynności, które dzielą jedno od drugiego, zanim wystawimy wycenę. Surowa generacja jest materiałem, nie produktem: ma barwę i tekst, ale nie ma synchronu, oddechów, akustyki sceny ani swojego miejsca w miksie razem z muzyką i efektami.

Prowadzą to Olga Pasternak i Yohan Boisgontier — ci sami, którzy na co dzień montują dialogi i realizują postsynchrony przy filmach i serialach. Dubbing AI traktujemy jak wersję językową robioną w studiu: tym samym warsztatem, którego używamy przy nagraniach lektora i głosu , tylko z inaczej pozyskanym materiałem głosowym.

Czym dubbing AI różni się od głosu z generatora

W rozmowach o AI kilka pojęć zlewa się w jedno, a to one decydują o zakresie pracy i o wycenie. Rozdzielmy je po kolei:

• Synteza mowy (TTS, text to speech) — zamiana napisanego tekstu na dźwięk mowy przez model; efektem jest głos czytający kwestię, bez żadnego odniesienia do obrazu.
• Klonowanie głosu — zbudowanie modelu konkretnej barwy na podstawie nagrań danej osoby; pozwala mówić jej głosem, ale nie rozstrzyga, czy wolno.
• Speech-to-speech — aktor gra kwestię przed mikrofonem, a model podmienia samą barwę; gra, tempo i emocja pozostają ludzkie.
• Lip-sync (kłapy) — zgodność kwestii z ruchem ust postaci na ekranie; w dubbingu to ona decyduje, czy widz uwierzy, że postać mówi w jego języku.
• Prozodia — melodia zdania: akcent, pauza, tempo i kierunek intonacji; odróżnia zdanie przeczytane od zdania powiedzianego.
• Room tone (atmosfera pomieszczenia) — cichy, własny szum każdego wnętrza; bez niego głos nie ma na czym usiąść i słychać, że doklejono go do obrazu.
• M&E (music and effects) — pełna ścieżka muzyki i efektów bez dialogów; podstawa każdej wersji językowej.
• Stemy — rozdzielone warstwy gotowego miksu (dialog, muzyka, efekty), przekazywane razem z miksem do dalszego użytku.
• Montaż dialogów — ułożenie wszystkich kwestii w czasie, oczyszczenie ich i wpasowanie w rytm oraz akustykę sceny.

Generator zamienia tekst w dźwięk i na tym kończy swoją rolę. Dubbing to adaptacja tekstu, casting barwy, reżyseria interpretacji, synchron, montaż dialogów i miks — a przed tym wszystkim odpowiedź na pytanie, skąd w ogóle wzięliśmy głos, którym mówi postać. Różnica między jednym a drugim nie polega na jakości modelu, tylko na liczbie etapów, które ktoś musiał wykonać.

Co robi maszyna, a co robi człowiek

Polski dubbing i polska szkoła lektorska to zawód z własnym warsztatem i z dobrymi powodami, żeby patrzeć na tę technologię nieufnie. Podzielamy tę nieufność co do zasady, a nasza odpowiedź mieści się w jednym zdaniu: synteza jest narzędziem studia, a nie zamiennikiem aktora. Nie proponujemy jej po to, żeby zaoszczędzić na głosie tam, gdzie rola go wymaga, tylko tam, gdzie materiał bez niej nie dostałby wersji językowej w ogóle — szkolenie odświeżane co kwartał, kilkanaście rynków dla jednego wideo produktowego.

Odmawianie modelom tego, co realnie potrafią, też nie byłoby poważne. Oddajmy im więc uczciwie to, co załatwiają:

• Barwę i charakter głosu — model utrzymuje spójne brzmienie przez cały materiał, bez zmęczenia i bez różnic między dniami zdjęciowymi.
• Tempo bazowe i poprawne czytanie — liczby, daty i długie zdania złożone czyta równo, co przy godzinach narracji ma znaczenie.
• Wszystkie języki naraz — pierwsza wersja ścieżki powstaje równolegle we wszystkich wersjach, a nie kolejno, sesja po sesji.
• Skalę — kilkadziesiąt minut narracji albo kilkanaście wersji językowych jednego wideo przestaje być pytaniem o grafik kabiny.
• Koszt zmian — poprawiona linijka w szkoleniu aktualizowanym co kwartał nie wymaga ponownego zwoływania aktora.

Reszta jest po naszej stronie. To nie jest lista życzeń, tylko spis rzeczy, które słychać dopiero wtedy, gdy się ich nie zrobi:

• Oddechy i pauzy — model ich nie planuje, bo nie ma płuc ani intencji; wstawione mechanicznie brzmią jak tik, a całkiem wycięte robią z postaci automat.
• Akcent zdaniowy — nacisk pada tam, gdzie statystycznie pada najczęściej, a nie tam, gdzie leży sens zdania w tej konkretnej scenie.
• Ironia, szept, wysiłek, śmiech — wszystko, co polega na rozjeździe między treścią a sposobem mówienia, wychodzi płasko.
• Przeciąganie i skracanie kwestii pod ruch ust — model nie widzi twarzy na ekranie i nie wie, kiedy postać zamyka usta.
• Akustyka pomieszczenia — generacja powstaje w niczym; nie ma w niej pogłosu wnętrza, planu bliskiego i dalekiego ani przejść między ujęciami.
• Dynamika scen zbiorowych — kilka głosów wygenerowanych osobno układa się w jedną płaską płaszczyznę, zamiast w pierwszy i drugi plan.
• Zderzenie z muzyką i efektami — dopiero w miksie okazuje się, że dialog ginie pod muzyką albo wychodzi przed obraz.

Szesnaście czynności między głosem z modelu a gotowym dubbingiem

Poniżej cała droga od pliku z modelu do ścieżki, którą można wysłać na emisję, z zaznaczeniem, kto wykonuje każdy etap. Publikujemy tę listę, bo to najuczciwsza odpowiedź na pytanie, za co się płaci — i najprostszy sposób, żebyś umiał nazwać to, czego zabrakło w tanim renderze, który wrócił z uwagami.

1. Rozpis materiału (spotting) — człowiek — przechodzimy materiał scena po scenie: role, kwestie na ekranie i na offie, miejsca wymagające synchronu ust, kwestie nakładające się na siebie. To on decyduje o zakresie i o wycenie.
2. Weryfikacja transkryptu i przypisanie kwestii mówiącym — człowiek — prostujemy nazwy własne i terminologię branżową, oznaczamy reakcje, oddechy i gwar, które nie są dialogiem i nie powinny trafić do syntezy.
3. Ustalenie ścieżki M&E — człowiek — sprawdzamy, czy produkcja ma wersję music and effects bez dialogów. Jeśli nie, planujemy odtworzenie tła jako osobny etap (poz. 15) i mówimy o tym przed wyceną, a nie po fakcie.
4. Adaptacja dialogowa — człowiek — to nie jest tłumaczenie napisów. Kwestia ma brzmieć jak mowa, zmieścić się w czasie ujęcia i w jednym oddechu postaci, a nie tylko wiernie oddawać zdanie oryginału.
5. Układ pod kłapy (lip-sync) — człowiek — w planach z widoczną twarzą przestawiamy szyk zdania i dobieramy słowa pod otwarcia ust oraz sylaby akcentowane, żeby zgadzały się początek i koniec kwestii.
6. Akceptacja tekstu przez klienta — człowiek — uzgodniony wcześniej zakres uwag na tekście, zanim cokolwiek zabrzmi. Poprawka na tym etapie kosztuje minutę, ta sama poprawka po miksie kosztuje dzień.
7. Casting barwy i ustalenie źródła głosu — człowiek — przygotowujemy próbki i dopasowujemy barwę do postaci oraz do rynku docelowego. Tu rozstrzyga się też, którą z dwóch dróg pozyskujemy głos.
8. Generowanie wersji językowych — maszyna — model tworzy pierwszą wersję ścieżki, we wszystkich językach naraz. To jedyny etap, który wykonuje sam.
9. Selekcja ujęć i sterowanie interpretacją — człowiek przy maszynie — robimy kilka podejść do kwestii, dobieramy tempo, akcent zdaniowy i emocję, po czym wybieramy ujęcia dokładnie tak samo jak przy sesji z aktorem w kabinie.
10. Dogrywki i ADR w kabinie — człowiek — kwestie, których model nie unosi — ironia, szept, krzyk, śmiech, wysiłek — nagrywamy na żywo w wygłuszonej kabinie lektorskiej , do obrazu, z reżyserią.
11. Montaż dialogów i synchron do obrazu — człowiek — przesuwamy, docinamy i rozciągamy kwestie, aż wejdą w rytm sceny i w ruch ust. To ta sama praca, którą wykonujemy przy dialogach nagranych na planie.
12. Oddechy, pauzy i reakcje — człowiek — wstawiamy je tam, gdzie postać naprawdę nabiera powietrza, i usuwamy tam, gdzie brzmią mechanicznie. Bez tego etapu ścieżka jest poprawna i martwa jednocześnie.
13. Wpisanie głosu w akustykę sceny — człowiek — room tone, plan bliski i daleki, pogłos pomieszczenia, przejścia między ujęciami. Bez tego głos leży na obrazie, zamiast być w kadrze.
14. Czyszczenie i naprawa ścieżki — człowiek przy maszynie — usuwamy artefakty syntezy, kliki na sklejkach, przesterowane głoski syczące i wyrównujemy nierówną dynamikę, narzędziami tej samej klasy co przy restaurowaniu audio .
15. Odtworzenie tła i uzupełnienie M&E — człowiek — gdy ścieżki music and effects nie ma albo jest niepełna, odbudowujemy ambienty, foley i efekty pod nową ścieżkę dialogową, korzystając z sound designu i sonoteki.
16. Miks, kontrola głośności i dostawa — człowiek — wpasowujemy dialog między muzykę i efekty, realizujemy miks w stereo i 5.1, doprowadzamy materiał do normy EBU R128 i eksportujemy stemy oraz M&E.

Model wykonuje jedną z tych szesnastu czynności. Przy dwóch kolejnych siedzimy obok i wybieramy. Pozostałe trzynaście to klasyczna postprodukcja dźwięku — ta sama, którą wykonujemy przy filmie nagranym w całości na planie.

Czyj to jest głos

Zanim cokolwiek zabrzmi, musi być jasne, skąd wziął się głos. Traktujemy to jako normalny etap produkcji, tak samo jak rozpis materiału, a nie jako regulamin doczepiony na końcu. Do syntezy używamy ogólnodostępnych narzędzi komercyjnych — nie mamy własnego modelu ani własnej biblioteki barw — więc drogi są dwie:

• Głos z biblioteki narzędzia — barwa udostępniona w narzędziu, którego używamy. Prawo do jej użycia wynika z licencji tego narzędzia, a nie z umowy zawartej przez nas: to dostawca narzędzia rozlicza się z osobami, których głosy udostępnia. Naszą robotą jest sprawdzić przed startem, czy barwa pochodzi z legalnego źródła i czy licencja obejmuje to, do czego materiał ma posłużyć — kanał, języki i rynki.
• Głos konkretnej osoby — aktora, członka zarządu, wykładowcy albo lektora wewnętrznego. Taką pracę przyjmujemy wyłącznie na pisemną zgodę tej osoby, obejmującą wprost syntezę mowy, o określonym zakresie i terminie. To warunek przyjęcia zlecenia, a nie formalność do uzupełnienia w trakcie: bez tego dokumentu nie zaczynamy. Rozwiązanie dobrze działa przy komunikacji wewnętrznej i szkoleniach aktualizowanych przez lata.

Przy każdym projekcie jest udokumentowane, z której drogi pochodzi głos użyty w materiale — o tym niżej, w części o dostawie.

Czego nie zrobimy

Są zlecenia, których nie przyjmiemy, i wolimy powiedzieć to od razu, niż na etapie wyceny:

• nie sklonujemy głosu żyjącego aktora ani lektora bez jego pisemnej zgody obejmującej syntezę mowy;
• nie odtworzymy głosu osoby zmarłej bez zgody osób uprawnionych;
• nie zbudujemy głosu „łudząco podobnego" do rozpoznawalnej osoby, także wtedy, gdy formalnie nie jest to jej głos;
• nie podmienimy obsady, która ma podpisany kontrakt na role w tej produkcji.

To nie jest deklaracja światopoglądowa, tylko warunek pracy. Ścieżka dźwiękowa, przy której ktoś ma wątpliwości co do praw do głosu, wraca do produkcji szybciej niż źle zsynchronizowany dialog.

Kiedy dubbing AI ma sens, a kiedy nagrywamy człowieka

Nie każdy materiał nadaje się do tej usługi i nie zamierzamy udawać inaczej. Ma sens przy:

• e-learningu i szkoleniach, zwłaszcza takich, które są aktualizowane co kwartał i przy każdej zmianie wymagałyby nowej sesji;
• materiałach korporacyjnych i produktowych — prezentacjach, instrukcjach, komunikacji wewnętrznej;
• kilkunastu wersjach językowych jednego wideo, gdzie klasyczny dubbing oznaczałby kilkanaście osobnych castingów;
• narracji instruktażowej i informacyjnej, w której liczy się zrozumiałość, a nie kreacja aktorska;
• głosach tła i drugiego planu oraz gwarze, wypełniających przestrzeń sceny.

Odradzamy przy rolach pierwszoplanowych w fabule i animacji, w reklamie wizerunkowej, w scenach niosących emocję oraz zawsze wtedy, gdy nie ma udokumentowanej podstawy do użycia głosu. W tych przypadkach proponujemy nagranie głosu w kabinie — z castingiem, reżyserią aktorską i sesją ADR. To droższa usługa i mówimy o tym wprost, ale przy materiale, który ma poruszyć widza, oszczędność na tym etapie kosztuje najwięcej.

Dla jakich produkcji

Ta usługa nadaje się do:

• wersji językowych wideo — jeden materiał, kilka lub kilkanaście rynków;
• e-learningu i szkoleń — kursy, onboarding, materiały compliance;
• materiałów korporacyjnych i produktowych — prezentacje, demo, instrukcje obsługi;
• dokumentu i narracji — komentarz z offu, materiały archiwalne, filmy instytucjonalne;
• kanałów wideo i social mediów — treści publikowane regularnie w kilku językach.

Jeśli Twój format nie mieści się w tej liście, napisz — po obejrzeniu materiału powiemy, czy ta usługa jest właściwa, czy lepiej pójść w stronę klasycznych nagrań głosu .

Co otrzymujesz

Dostawa jest materialna i policzalna. Po zakończeniu prac przekazujemy:

• zmontowany i zsynchronizowany dialog do obrazu — gotowy do emisji, a nie surową generację;
• miks w uzgodnionym formacie — stereo i 5.1, zależnie od kanału dystrybucji;
• stemy — rozdzielone warstwy miksu (dialog, muzyka, efekty) do dalszej pracy;
• ścieżkę M&E — muzykę i efekty bez dialogów, żeby kolejna wersja językowa nie wymagała odtwarzania wszystkiego od zera;
• wersje zgodne z normami głośności — EBU R128 i wymogi techniczne platformy, na którą materiał trafia;
• udokumentowane pochodzenie głosu — zapis, z której z dwóch dróg pochodzi każdy głos użyty w projekcie;
• oznaczenie materiału jako powstałego z udziałem syntezy mowy — przygotowujemy je na życzenie albo wtedy, gdy wymaga tego przeznaczenie materiału.

Dwie ostatnie pozycje traktujemy jako część dostawy, a nie formalność. To one decydują o tym, co możesz z materiałem zrobić za dwa lata i na jakich rynkach.

Nasze studio

Ta usługa nie jest warstwą marketingową nad cudzym narzędziem — to nasz codzienny warsztat postprodukcyjny, w którym jeden z etapów wykonuje model.

Olga Pasternak zajmuje się montażem dialogów, ADR i montażem dźwięku. Karierę zaczynała jako asystentka nagrodzonego Oscarem sound designera Nicolasa Beckera, przy filmie Kursk. Jako supervising dialogue editor pracowała przy nagrodzonym Oscarem „The Substance"; montowała dialogi i postsynchrony m.in. przy serialu Lupin, W 80 dni dookoła świata i Infiniti, a także przy filmie Une Année Difficile. Yohan Boisgontier odpowiada za sound design, foley i miks — przy filmie Triumph of the Heart pełnił, wspólnie z Olgą, funkcję supervising sound editor.

Pracujemy w sali montażu i miksu 5.1 z kontrolowaną akustyką, na Pro Tools Ultimate. Dogrywki i ADR nagrywamy w wygłuszonej kabinie lektorskiej z mikrofonem Neumann TLM 102, z ekranem HD, kamerą do reżyserii i talkbackiem połączonym z reżyserką miksu. Do czyszczenia ścieżek używamy narzędzi renowacyjnych klasy iZotope RX, a tła i efekty budujemy z sonoteki 4 TB. Nagrania i reżyserię prowadzimy po polsku, angielsku, francusku i hiszpańsku.

Nasze studio dubbingowe działa w Warszawie na Żoliborzu, przy ul. Śmiałej 42. Odsłuchy i reżyserię prowadzimy na miejscu albo zdalnie — wtedy słuchasz sesji i zgłaszasz uwagi bez wychodzenia z własnego biura.

Dlaczego wyceniamy indywidualnie, a nie z cennika

Nie mamy cennika dubbingu i uważamy to za zaletę, nie brak. Cennik musiałby założyć najbardziej pracochłonny wariant — a wtedy płaciłbyś także za etapy, których w Twoim materiale w ogóle nie ma. Wyceniamy dokładnie te z szesnastu czynności, które w projekcie są potrzebne, i piszemy wprost, które odpadają.

Usługi dubbingowe rozliczamy więc projektowo. Na nakład pracy wpływa przede wszystkim:

• długość materiału i gęstość dialogu — godzina wykładu z jednym mówcą to inna praca niż dwadzieścia minut scen, w których mówi kilka postaci naraz;
• liczba wersji językowych — lokalizacja wideo na kilka rynków oznacza, że dużą część roboty (przygotowanie ścieżki, szablon miksu, dopasowanie tła) wykonujemy raz i wykorzystujemy w każdej wersji, więc kolejny język kosztuje mniej niż pierwszy;
• wymagany poziom synchronizacji — narracja poza kadrem, dopasowanie do początku i końca kwestii oraz pełny synchron do ruchu ust to trzy różne nakłady montażu dialogów;
• czy istnieje ścieżka V.I. (M&E) — mając oddzieloną muzykę i efekty, wchodzimy z nowym dialogiem od razu; jeśli jej nie ma, trzeba ją najpierw odtworzyć: wyciąć dialog z miksu, uzupełnić tła i dograć brakujące efekty oraz foley;
• stan materiału źródłowego — skrypt i lista dialogowa z kodami czasowymi skracają pracę; bez nich zaczynamy od spisania dialogu z odsłuchu;
• ile trzeba dograć w kabinie — pojedyncze kwestie, postsynchrony i ADR z aktorem to osobny etap, który w części projektów nie występuje wcale;
• czy materiał będzie aktualizowany — przy szkoleniach i wideo produktowych budujemy projekt tak, żeby kolejna aktualizacja była dopisaniem fragmentu, a nie nagraniem całości od nowa.

Żeby dostać wycenę, wystarczy materiał wideo (albo link do podglądu), lista docelowych języków i termin. Jeśli masz skrypt, listę dialogową albo ścieżkę V.I. — dołącz je; wtedy podajemy konkretną kwotę i harmonogram, a nie widełki „od–do".

Zamów dubbing AI w Warszawie

Nie stosujemy sztywnego cennika — prześlij materiał, a przygotujemy wycenę i harmonogram, z rozpisaniem, które z szesnastu czynności są w Twoim projekcie potrzebne, a które odpadają. Napisz na mail@allinsound.studio albo zajrzyj na stronę kontakt — są tam także telefony bezpośrednio do Olgi i Yohana. Dopisz, ile wersji językowych planujesz, czy istnieje ścieżka V.I. (M&E) i czy materiał będzie później aktualizowany.

Dubbing AI realizujemy jako osobną usługę albo jako część pełnej postprodukcji — razem z nagraniami lektora i głosu , sound designem , miksem i masteringiem oraz restaurowaniem audio . Zobacz też pełną ofertę studia .

Chcesz najpierw poczytać? Wyjaśniamy, czym jest dubbing , czym są postsynchrony (ADR) oraz czym jest postprodukcja dźwięku .

Wyposażenie

• Pro Tools Ultimate — montaż dialogów, synchron i dostawa
• Sala montażu i miksu 5.1 z kontrolowaną akustyką
• Wygłuszona kabina lektorska z mikrofonem Neumann TLM 102 — dogrywki i ADR
• Ekran HD i kamera do reżyserii, talkback do reżyserki miksu
• Narzędzia renowacyjne klasy iZotope RX i sonoteka 4 TB
• Wersje językowe PL, EN, FR, ES — dostawa stereo i 5.1, stemy i M&E, EBU R128