Nessuno spettatore ha mai lasciato il commento i tuoi sottotitoli corrono circa un terzo di secondo dietro la tua voce. Non è perché nessuno se ne accorge. È perché l’accorgersene avviene sotto il livello delle parole. Leggere e sentire dovrebbero arrivare insieme; quando una riga di sottotitolo atterra un battito dopo la voce che l’ha detta, o la riga successiva entra troppo presto e stai leggendo la battuta finale mentre la preparazione viene ancora pronunciata, lo scarto si registra come sensazione e non come osservazione. Il video sembra leggermente amatoriale, leggermente faticoso, leggermente storto — e lo spettatore non saprebbe dirti perché. I sottotitoli sono diventati in silenzio parte di come guarda la maggior parte delle persone: in muto nei luoghi pubblici, in una seconda lingua, in una cucina rumorosa, o semplicemente per abitudine. Il che significa che il loro timing non è più una cortesia di accessibilità. È parte del ritmo del video stesso, e il ritmo è esattamente la cosa che gli spettatori sentono senza nominare.
La ragione per cui il timing di solito è un po’ sbagliato è che di solito è indovinato. Il modo standard di produrre sottotitoli è la trascrizione: il software ascolta l’audio finito, ricava quali parole sono state probabilmente dette, e poi ricava quando ogni parola è probabilmente cominciata e finita. Entrambi i passaggi sono inferenza, e il secondo è più difficile di quanto sembri. Le parole parlate non arrivano in pacchetti ordinati — sfumano l’una nell’altra, si spengono a fine frase, condividono consonanti con le vicine. Un respiro può essere letto come un confine; un rumore di fondo può sbavarne uno; un accento o una sillaba borbottata sposta l’idea che la macchina si fa di dove una parola è cominciata. Le parole in sé di solito escono giuste. I marcatori temporali escono plausibili, che è un’altra cosa. Ogni riga atterra più o meno dove deve, con una frazione di secondo di scarto in una direzione o nell’altra, diversa a ogni riga. Mediato sull’intero video sembra a posto. Guardato riga per riga, è precisamente quel tentennamento a produrre quella sensazione innominabile di storto.
Ma guarda cosa presuppone l’approccio della trascrizione: che l’audio sia l’unica fonte di verità, e che il testo debba esserne ricostruito. Se hai registrato con un teleprompter, quell’assunto è capovolto. Il testo esisteva prima del take — l’hai scritto tu. Non c’è nulla da indovinare su cosa è stato detto. E c’è una seconda conseguenza, meno ovvia. In Talk2Camera, quando il seguimento vocale è attivo, il copione scorre seguendo la tua voce reale, il che significa che la app sa, momento per momento, a che punto del copione sei arrivato. Il timing dei sottotitoli discende da quella conoscenza quasi gratis. Le righe sono sincronizzate in base a dove sei davvero arrivato nel copione mentre lo leggevi — dalla lettura stessa, registrata mentre accadeva — invece che ricostruite dopo da una forma d’onda. Quando un take è stato registrato senza seguimento vocale, la app stima il timing al suo posto, e lo dice chiaramente: una stima è una cosa onesta quando è etichettata come tale.
L’involucro pratico attorno a tutto questo è deliberatamente poco emozionante. Quando il video è pronto, Talk2Camera imprime i sottotitoli nell’immagine — per piattaforme e feed dove il testo deve semplicemente far parte del quadro — oppure esporta un file .srt per le piattaforme che preferiscono i sottotitoli come traccia separata che lo spettatore può attivare. I controlli di stile coprono l’aspetto del testo; il timing per riga copre quando appare. E ogni riga resta regolabile nell’editor, il che dà una casa alla riserva onesta: se una riga stimata è scivolata, o vuoi che un sottotitolo indugi un momento in più su una pausa di cui vai fiero, la trascini. Nulla è chiuso a chiave dietro la pretesa di essere automatico. L’automazione fa il novanta e passa per cento che sa fare, e gli ultimi ritocchi appartengono a te — la giusta divisione del lavoro tra una persona e un motore di sincronizzazione.
C’è uno stile di sottotitoli che rende tutto questo spietato, ed è quello che al momento si vede ovunque: l’evidenziazione parola per parola, dove l’intera riga è visibile e ogni parola si accende mentre viene pronunciata. Talk2Camera lo offre come stile, e vale la pena capire perché alza la posta. Una riga di sottotitolo ordinaria è indulgente — una frazione di secondo di anticipo o ritardo su una riga intera è un tentennamento. Un’evidenziazione che accende la parola sbagliata non è un tentennamento; è visibilmente sbagliata, due volte al secondo, nel punto esatto dove l’occhio dello spettatore è parcheggiato. Il karaoke ha allenato tutti a sapere con precisione dove dovrebbe stare la pallina che rimbalza. Il timing indovinato è ciò che fa sembrare quello stile scattoso in così tanti video; il timing preso da dove eri davvero nel copione è ciò che lo rende semplicemente possibile. La ricompensa, in ogni stile, è la stessa ed è invisibile: nessuno si complimenterà mai per il timing dei tuoi sottotitoli. Le persone guarderanno solo più a lungo, capiranno di più, e non sapranno mai del tutto che l’assenza di un minuscolo attrito insistente era una funzione — il tipo migliore di funzione, quello che si nota solo quando manca.