Wideo, w którym ktoś mówi, jest konsumowane w ciszy o wiele częściej, niż wyobraża sobie osoba, która je zrobiła. Gra w pociągu, kiedy słuchawki zostały w domu, w biurze na otwartej przestrzeni, w łóżku obok kogoś, kto śpi, w feedzie, który odtwarza się sam bez dźwięku i nigdy nie zostaje odciszony. Dokładne liczby wędrują w zależności od platformy i roku, ale każde badanie, które się temu przyjrzało, ląduje w tej samej okolicy: duża część oglądania w feedach — w wielu sytuacjach większość — odbywa się z wyłączonym dźwiękiem. Dodaj do tego widzów niesłyszących i słabosłyszących, dla których napisy nie są preferencją, tylko całym kanałem, a wniosek staje się trudny do ominięcia. Dla realnej i pokaźnej części Twojej publiczności napisy nie są dodatkiem do wideo. Są ścieżką dźwiękową wideo, podaną w jedynej formie, która do tych ludzi dociera. Wideo z mówiącą osobą bez napisów to dla nich film niemy, który zapomniał o planszach z tekstem. A od przewinięcia dalej dzieli tych widzów dokładnie jeden ruch kciuka.
Potem jest druga publiczność: ludzie, którzy rozumieją Twój język lepiej na piśmie niż ze słuchu. Słuchanie to najtrudniejsza umiejętność językowa, jaka istnieje — biegnie w tempie mówiącego, z jego akcentem, z jego połykanymi sylabami — a setki milionów ludzi czytają płynnie w języku, za którym uchem ledwo nadążają. Napis usuwa akcent i połowę problemu tempa za jednym zamachem. A za nimi stoi publiczność, która Twojego języka nie czyta wcale: dla tych ludzi przetłumaczona ścieżka to różnica między oglądaniem a przewinięciem dalej. Ekonomia jest tu przechylona całkowicie na Twoją korzyść. Samo wideo było drogie: myślenie, scenariusz, światło, ujęcia. Druga ścieżka napisów nie kosztuje przy tym prawie nic, a poszerza publiczność bez ponownego nagrywania choćby słowa — Twój głos, Twoja twarz i Twój sposób mówienia zostają dokładnie takie, jakie były.
Oczywista riposta brzmi, że platformy już generują napisy automatycznie — i generują, z samego dźwięku. Rozpoznawanie nigdy nie widziało Twojego scenariusza. Nie wie, że nazwa Twojego produktu ma wielką literę w środku, że nazwisko Twojej wspólniczki nie jest pospolitym słowem, że żargon Twojej branży to żargon, a nie przesłyszenie. Zapisuje więc to wszystko fonetycznie, z pełnym przekonaniem wybiera zły homofon, sypie interpunkcją według statystyki i łamie wiersze tam, gdzie modelowi akurat zabrakło tchu. Kiedy platforma automatycznie tłumaczy potem te automatyczne napisy, błędy się mnożą: widzowie drugiego języka dostają tłumaczenie błędnej transkrypcji, o dwa kroki od czegokolwiek, co powiedziałeś. I nie winią platformy. Błąd na piśmie stoi na ekranie, czytelny i przypisywalny, tuż obok Twojej twarzy. Niewyraźnie wymówione słowo mija w sekundę; zmasakrowane nazwisko w napisie to zrzut ekranu. Im staranniej dobierałeś słowa, tym boleśniej wygląda ich fonetyczny zapis.
To jest argument za wysyłaniem własnej ścieżki i zaczyna się on od pytania, skąd pochodzi tekst. W Talk2Camera tekst napisów bierze się z Twojego prawdziwego scenariusza albo z rozpoznawania mowy na urządzeniu — a kiedy czytasz scenariusz, który sam napisałeś, napisy dziedziczą jego pisownię. Nazwy wychodzą tak, jak je zapisałeś: dziwna wielka litera w środku nazwy Twojego produktu, nazwisko koleżanki z zespołu, termin techniczny, którego automat nigdy nie spotkał. Ta jedna właściwość — napisy wiedzą, co chciałeś powiedzieć — usuwa całą klasę błędów, przez którą automatyczne napisy bywają żenujące. Oddaje też łamanie wierszy w Twoje ręce, a nie w ręce modelu, co znaczy więcej, niż brzmi: napis złamany w środku nazwiska albo zostawiający przyimek na końcu wiersza czyta się dwa razy — a napis przeczytany dwa razy poległ już w swoim jedynym zadaniu, którym jest bycie niewidzialnym.
Dla drugiego języka Talk2Camera tłumaczy Twoje napisy na inny język jako dodatkową ścieżkę napisów, a szczegółem, na którym ta funkcja stoi, jest czas. Tłumaczenie zachowuje Twoje oryginalne rozmieszczenie w czasie, wiersz po wierszu: przetłumaczony wiersz pojawia się dokładnie wtedy, kiedy wypowiadasz oryginalny. Brzmi to jak techniczny drobiazg, dopóki nie zobaczysz ścieżki, która dryfuje. Twoje ręce wskazują rzecz, którą właśnie nazywasz, dwie sekundy po tym, jak czytelnik już się o niej dowiedział, Twoja twarz reaguje na żart, którego napis jeszcze nie opowiedział, a osoba na ekranie powoli odkleja się od słów płynących pod nią. Zgodność wiersz do wiersza ma jeszcze drugą, cichszą zaletę: umożliwia sprawdzenie. Każdy, kto czyta język docelowy, może położyć obie ścieżki obok siebie i porównać je wiersz z wierszem — bez skakania po osi czasu, bez zgadywania, które zdanie odpowiada któremu. Kontrola pozostaje po stronie człowieka, ale zamienia się w kwadrans pracy zamiast w cały wieczór.
Wysyłka to wybór między dwoma pojemnikami i aplikacja obsługuje oba. Napisy można wypalić w obrazie — to właściwa odpowiedź dla feedów, które ignorują pliki towarzyszące: wypalony tekst jest zawsze widoczny, przeżyje każdy odtwarzacz i każde ponowne wgranie, a kosztuje Cię w zamian możliwość wyłączenia go albo zaoferowania więcej niż jednego języka. Albo mogą podróżować jako pliki .srt na platformy, które przyjmują napisy jako osobny plik: tam pozostają przełączalne i przeszukiwalne, a widz sam wybiera język — oryginał i tłumaczenie mogą jechać razem. Praktyczna reguła: wypalaj do krótkiego pionowego wideo, wysyłaj .srt tam, gdzie platforma go szanuje, i rób jedno i drugie, kiedy wideo mieszka w więcej niż jednym miejscu. Jakkolwiek by podróżowało, sedno zostaje. Widz, który czyta, nie jest przypadkiem brzegowym. Sądząc po liczbach, może być Twoją większością — i zasługuje na coś lepszego niż fonetyczne zgadywanie Twojego własnego nazwiska.