Геометрия разбора скриптов: как театральные субтитры и титры определяют диалог

Современные системы театральных субтитров зависят от одной критически важной возможности: точного обнаружения реплик из скриптов.

Независимо от того, генерируются ли титры для оперы, субтитры для сценических постановок или живые титры для обеспечения доступности, система должна надежно определять:

• Кто говорит
• Когда начинается строка
• Где в скрипте появляются блоки диалога

На первый взгляд, это звучит как задача обработки естественного языка. На практике это не так. В ходе разработки SurtitleLive v2 мы проанализировали около 100 скриптов на разных языках и из разных театральных традиций. Этот процесс привел нас к неожиданному выводу: театральный скрипт — это прежде всего не лингвистические данные. Это пространственные данные.

1. Проблема западного скрипта: структура без пунктуации

Типичный английский театральный скрипт полагается на соглашения о макете, а не на пунктуацию для определения ролей.

Пример: Типичный макет сценического скрипта

ГАМЛЕТ         Быть или не быть, вот в чем вопрос.

ОФЕЛИЯ         Мой лорд, у меня есть ваши воспоминания.

Для человека-читателя интерпретация очевидна:

Блок	Интерпретация
ГАМЛЕТ	Имя персонажа
Текст с отступом	Диалог
ОФЕЛИЯ	Имя персонажа

Но для парсера, который видит только простой текст, структура исчезает. Мы распознаем закономерности, потому что имена персонажей появляются ВСЕМИ ЗАГЛАВНЫМИ БУКВАМИ, диалог с отступом, а блоки разделены вертикальным интервалом. Грамматика западных скриптов типографская, а не лингвистическая.

2. От блоков скрипта к субтитрам

В среде живого выступления программное обеспечение для субтитров не просто отображает текст. Он должен преобразовать скрипт в последовательность субтитров.

Каждый обнаруженный блок диалога становится субтитром, который можно активировать во время живого выступления. Если парсер неправильно идентифицирует блок диалога, система субтитров активирует неверный субтитр — сбой, который неприемлем в живом театре.

3. Пунктуация против макета: кросс-языковое открытие

Производительность сильно варьируется в зависимости от того, насколько язык полагается на явные или неявные маркеры.

Китайский / кантонский: на основе пунктуации

Китайские театральные скрипты часто кодируют структуру явно:

張三：今天下雨。 (Чжан Сань: Сегодня идет дождь.) 李四：真的嗎？ (Ли Си: Правда?) （他們望向窗外） ((Они смотрят в окно.))

Шаблон	Классификация
角色：台詞 (Персонаж: Диалог)	Диалог
（...） (Скобки)	Сценическое направление

Эта структура, основанная на пунктуации, делает разбор почти тривиальным по сравнению с западными форматами.

Сравнительная точность разбора (2026-03)

Язык / Формат	Предполагаемая точность	Ключевой структурный сигнал	Узкое место разбора
Китайский / кантонский	~100%	Явная пунктуация (角色：台詞)	Нет
Японский	~98%	Стабильные маркеры цитирования	Незначительные вариации форматирования
Английский (США/Великобритания)	~73%	Неявная структура макета	Отступ и капитализация
Немецкий / Французский	~71%	Сложное театральное форматирование	Неоднозначные границы блоков

4. Скрытая стоимость преобразования скриптов в простой текст

Многие системы субтитров обрабатывают скрипты, сначала преобразуя документы в простой текст, удаляя информацию о макете.

Исходный отформатированный скрипт:

ГАМЛЕТ         Быть или не быть

После преобразования в простой текст: ГАМЛЕТ Быть или не быть

Без отступа или границ блоков парсер должен полагаться на семантическое угадывание, чтобы определить, является ли «ГАМЛЕТ» именем персонажа или частью предложения.

5. Архитектурный поворот: разбор на основе макета

Вместо того, чтобы спрашивать: «Что означает это предложение?», машина спрашивает: «Как выглядит этот текстовый блок геометрически?»

Используя извлечение OOXML из файлов .docx, мы получаем точные атрибуты макета, такие как отступ (измеренный в твипах), флаги капитализации и стили абзацев.

Пример: Сигналы макета, извлеченные из скрипта

Блок A:

• indent = 72pt, caps_ratio = 1.0, line_length = 8
• → Классифицируется как Персонаж

Блок B:

• indent = 36pt, caps_ratio = 0.2, line_length = 48
• → Классифицируется как Диалог

6. Сценические направления: когда типография становится структурой

Во многих театральных скриптах сценические направления указываются исключительно с помощью типографии — часто курсивом.

Пример: Типография как структура

ГАМЛЕТ         Быть или не быть.

        Он делает паузу и смотрит в зал.

ОФЕЛИЯ         Мой лорд?

Блок	Интерпретация
ГАМЛЕТ	Имя персонажа
Предложение с отступом	Диалог
Курсивный текст	Сценическое направление

Как только форматирование исчезает, парсер не может различить диалог и повествование. В некоторых скриптах используются еще более минимальные курсивные заметки:

        пауза         отворачивается

Они почти не содержат лингвистических подсказок, полагаясь на 100% на атрибуты типографского стиля, такие как italic=true.

7. Трехуровневая модель искусственного интеллекта для надежного обнаружения реплик

Мы перепозиционировали ИИ как рецензента, а не как угадывателя:

• Уровень 1 — Детерминированные правила: Обрабатывает явные форматы со 100% точностью.
• Уровень 2 — Проверка ИИ: Действует как корректор для проверки неопределенных классификаций.
  • Пример: ГАМЛЕТ (тихо). Система определяет, является ли «(тихо)» сценическим направлением или диалогом, на основе контекста документа.
• Уровень 3 — Классификация ИИ: Полная классификация для очень неоднозначных областей, основанная на шаблонах макета, найденных в других местах того же документа.

Заключение

Театральные скрипты кажутся простыми, но их смысл возникает из пространственной организации. Переходя от семантического угадывания к разбору на основе макета, SurtitleLive предоставляет правильный субтитр в нужный момент.

---

FAQ

В: Что такое субтитр в театре? О: Субтитр — это момент, когда строка диалога должна появиться на дисплее субтитров. Обнаружение реплик требует идентификации блоков диалога и переходов между говорящими в скрипте.

В: Как система обрабатывает непоследовательное форматирование? О: Наша система кластеризует похожие макеты. Если профиль документа меняется, парсер выполняет сегментацию макета, чтобы адаптировать свою стратегию в режиме реального времени.

В: Почему макет важен при разборе скриптов для субтитров? О: Многие скрипты используют отступ и интервал вместо пунктуации для кодирования структуры. Парсер на основе макета обнаруживает реплики более надежно, чем одни только семантические модели.