সাবটাইটেল যোগ করা সবচেয়ে বেশি লাভের এডিটগুলোর একটি। ক্যাপশন দেখার সময় মোটামুটি 12% থেকে 40% বাড়ায়, আর সাউন্ড বন্ধ রেখে স্ক্রল করা দর্শকও আপনার ভিডিও বুঝতে পারেন, যেভাবে TikTok, Reels আর Shorts-এর বেশিরভাগটাই আসলে দেখা হয়। বাস্তবে প্রায় 80% ভাইরাল শর্ট ক্লিপে বার্ন-ইন ক্যাপশন থাকে, আর বেশিরভাগই শব্দ ধরে ধরে অ্যানিমেট করা।

কিন্তু "ভিডিওতে সাবটাইটেল যোগ করা" কথাটার পেছনে আসলে তিনটি আলাদা পদ্ধতি লুকিয়ে আছে, আর ভুলটা বাছলে হয় সময় নষ্ট হয়, নয়তো দর্শক কম পৌঁছায়। এই গাইডে তিনটি পদ্ধতি বোঝানো হয়েছে, সাবটাইটেল, ক্যাপশন আর SRT নিয়ে গোলমাল পরিষ্কার করা হয়েছে, প্ল্যাটফর্ম ধরে টিপস দেওয়া হয়েছে, আর মূল টুলগুলোর কথা বলা হয়েছে।

আগে শব্দগুলো বুঝে নিন: সাবটাইটেল, ক্যাপশন আর SRT

এই তিনটি শব্দ প্রায়ই একটার জায়গায় আরেকটা বলা হয়, কিন্তু মানে আলাদা।

  • সাবটাইটেল ধরে নেয় দর্শক অডিও শুনতে পাচ্ছেন। এতে শুধু মুখের কথা লেখা বা অনুবাদ করা থাকে।
  • ক্যাপশন (ক্লোজড ক্যাপশন) ধরে নেয় দর্শক শুনতে পাচ্ছেন না। এতে কথার সাথে সাউন্ড ইফেক্ট, মিউজিকের ইঙ্গিত আর কে কথা বলছেন তাও থাকে, আর দর্শক এটা চালু বা বন্ধ করতে পারেন।
  • SRT কোনো ধরনের সাবটাইটেল নয়, এটা একটা ফাইল ফরম্যাট। একটা .srt ফাইল হলো ক্যাপশন লাইনের একটা সাদামাটা টেক্সট তালিকা, প্রতিটির শুরু আর শেষের টাইমকোডসহ। এটা সর্বজনীন আর সব জায়গায় চলে, বিশেষ করে YouTube-এ। VTT হলো এর খুব কাছের ওয়েব স্ট্যান্ডার্ড, HTML5 প্লেয়ারের জন্য।

মানে, SRT হলো সাবটাইটেল বা ক্যাপশন সংরক্ষণ করে এক টুল থেকে আরেক টুলে নেওয়ার উপায়; আর সাবটাইটেল ও ক্যাপশন বলে দেয় লেখার ভেতরে কী আছে।

ভিডিওতে সাবটাইটেল যোগ করার তিনটি উপায়

1. অটো ট্রান্সক্রিপশন (সবচেয়ে দ্রুত)

আধুনিক টুলগুলো আপনার অডিও শুনে নিজে থেকেই টাইমিংসহ ক্যাপশন তৈরি করে। পরিষ্কার, স্ট্যান্ডার্ড ইংরেজিতে বেশিরভাগ টুলের নির্ভুলতা মোটামুটি 95% থেকে 98%; প্ল্যাটফর্মের নিজস্ব অটো-ক্যাপশন (যেমন TikTok-এর) একটু কম, প্রায় 85% থেকে 90%। উচ্চারণের টান, টেকনিক্যাল শব্দ, ব্যাকগ্রাউন্ড নয়েজ বা একাধিক বক্তা থাকলে নির্ভুলতা কমে, তাই সবসময় একবার পড়ে মিলিয়ে নিন।

2026-এ প্রায় সবার জন্যই অটো ট্রান্সক্রিপশন সঠিক ডিফল্ট। কয়েক সেকেন্ডেই 90% কাজ হয়ে যায়, তারপর হাতে গোনা কয়েকটা ভুল শব্দ ঠিক করে নিলেই চলে।

সাধারণত যেভাবে কাজ করে:

  1. ভিডিও ইমপোর্ট বা আপলোড করুন।
  2. অটো-সাবটাইটেল বা অটো-ক্যাপশন বাটনে ক্লিক করে কথা বলার ভাষা বেছে নিন।
  3. তৈরি হওয়া লেখা দেখে নাম, পরিভাষা আর ভুল শোনা শব্দগুলো ঠিক করুন।
  4. স্টাইল আর জায়গা বদলান, তারপর হয় বার্ন-ইন করুন, নয়তো ফাইল এক্সপোর্ট করুন।

2. SRT ইমপোর্ট করা বা নিজে লেখা (সবচেয়ে নির্ভুল, চালু-বন্ধ করা যায়)

যদি এমন সাবটাইটেল চান যা দর্শক চালু-বন্ধ করতে পারবেন, বা ব্রডকাস্ট মানের নির্ভুলতা লাগে, তাহলে SRT (বা VTT) ফাইল ব্যবহার করুন। অটোমেটিক একটা তৈরি করে হাতে সংশোধন করতে পারেন, অথবা শূন্য থেকে লিখতে পারেন। প্রতিটি এন্ট্রিতে থাকে একটা নম্বর, শুরু থেকে শেষের টাইমকোড, আর লেখা।

YouTube, Vimeo বা ওয়েবসাইটের প্লেয়ারে ভিডিওর সাথে SRT আপলোড করুন, প্ল্যাটফর্ম সেটা ভিডিওর ওপর দেখাবে আর দর্শককে দেখানো-লুকানোর নিয়ন্ত্রণ দেবে। এটা অ্যাক্সেসিবিলিটি আর একাধিক ভাষার জন্য সুবিধাজনক পথ, আর আপনার লেখা চিরকাল এডিট করা যায়। অসুবিধা হলো, হাতে নিখুঁত করতে এতেই সবচেয়ে বেশি সময় লাগে।

3. ভিডিওতে ক্যাপশন বার্ন-ইন করা (সোশ্যাল ফিডের জন্য সেরা)

বার্ন-ইন (বা "হার্ডকোডেড") ক্যাপশন ভিডিওর ফ্রেমের ওপর স্থায়ীভাবে আঁকা থাকে। ফাইল যেখানেই চালানো হোক, আবার আপলোড বা শেয়ার করা হোক, এগুলো সবসময় দেখা যায়, আর ফন্ট, রং, সাইজ ও অ্যানিমেশনের পুরো নিয়ন্ত্রণ আপনার হাতে থাকে।

TikTok, Instagram Reels আর YouTube Shorts-এর জন্য এটাই জেতার পদ্ধতি, কারণ সেখানে ফিডে ভিডিও মিউট অবস্থায় নিজে থেকে চলে, আর দর্শক ক্যাপশন চালু করবেন এমন ভরসা করা যায় না। বিনিময়ে যা ছাড়তে হয়: এক্সপোর্টের পর বার্ন-ইন লেখা বন্ধ বা এডিট করা যায় না, তাই রেন্ডারের আগে ভালো করে পড়ে নিন।

এক নজরে তুলনা

পদ্ধতি গতি নির্ভুলতা পরে এডিট করা যায় কোথায় সেরা
অটো ট্রান্সক্রিপশন সবচেয়ে দ্রুত বেশি (পড়ে মিলিয়ে নিন) হ্যাঁ, এক্সপোর্টের আগে প্রায় সবার জন্য, শুরুর ধাপ হিসেবে
SRT ফাইল হাতে করলে সবচেয়ে ধীর সবচেয়ে বেশি হ্যাঁ, যেকোনো সময় YouTube, অ্যাক্সেসিবিলিটি, একাধিক ভাষা
বার্ন-ইন অটো দিয়ে দ্রুত বেশি (পড়ে মিলিয়ে নিন) না, রেন্ডারের পরে নয় TikTok, Reels, Shorts, ফিড

মনে রাখবেন, এগুলো একসাথে চলে: 2026-এর সাধারণ ওয়ার্কফ্লো হলো অটো ট্রান্সক্রাইব, সংশোধন, তারপর সোশ্যালের জন্য বার্ন-ইন, আর যেসব প্ল্যাটফর্ম সাপোর্ট করে তাদের জন্য একটা SRT-ও এক্সপোর্ট।

প্ল্যাটফর্ম ধরে টিপস

  • TikTok: ভাইরাল ক্লিপে বার্ন-ইন অ্যানিমেটেড ক্যাপশনই রাজত্ব করে। টুকরোগুলো ছোট রাখুন, 3 থেকে 7 শব্দ, প্রতিটি স্ক্রিনে 1 থেকে 3 সেকেন্ড, স্বাভাবিক থামার জায়গায় ভাঙুন।
  • YouTube: অ্যালগরিদম দেখার সময়কে পুরস্কৃত করে, আর সার্চ ও অ্যাক্সেসিবিলিটির জন্য YouTube আপলোড করা SRT ফাইল ভালোভাবে পড়ে। লম্বা ভিডিওতে SRT কাজে আসে; Shorts চলে TikTok-এর মতো, তাই সেখানে ক্যাপশন বার্ন-ইন করুন।
  • Instagram Reels: দর্শক সাউন্ড বন্ধ রেখে স্ক্রল করেন, তাই বার্ন-ইন ক্যাপশন এখানে বিশেষ কাজের। Instagram সেভ আর শেয়ারকে গুরুত্ব দেয়, তাই ক্যাপশন যেন এক ঝলকেই পড়া যায়।

ফরম্যাটিংয়ের সাধারণ নিয়ম: প্রতি লাইনে 4 থেকে 6 শব্দ রাখুন, লম্বা বাক্য কয়েকটা ব্লকে ভাগ করুন, আর লেখা নিচে ও দুই পাশে প্ল্যাটফর্মের বাটন-আইকন থেকে দূরে রাখুন।

সাবটাইটেল যোগ করার টুল

  • VEED, Kapwing আর Happy Scribe-এর মতো ব্রাউজার টুল অটোমেটিক ক্যাপশন বানায় আর দ্রুত SRT/VTT এক্সপোর্ট করে।
  • Premiere Pro, DaVinci Resolve আর CapCut-এ বিল্ট-ইন স্পিচ-টু-টেক্সট ক্যাপশন আছে, যারা আগে থেকেই এগুলোতে এডিট করেন তাদের জন্য।
  • Mac-এ Zella পুরোপুরি ডিভাইসেই ক্যাপশন তৈরি করে।

বেশিরভাগ ক্লাউড টুল ট্রান্সক্রাইব করতে আপনার ভিডিও তাদের সার্ভারে আপলোড করে। অনেকের জন্য তাতে সমস্যা নেই, কিন্তু ফুটেজ সংবেদনশীল বা এখনো প্রকাশ না হওয়া হলে এটা চিন্তার বিষয়।

Zella: Mac-এর জন্য অন-ডিভাইস অটো-ক্যাপশন

আপনি Mac-এ থাকলে Zella আপলোড ছাড়াই দ্রুত অটো ট্রান্সক্রিপশনের পথ নেয়। Zella একটা নেটিভ macOS অ্যাপ (Apple Silicon ও Intel) আর 100% ডিভাইসেই চলে, তাই ট্রান্সক্রাইবের জন্য আপনার ভিডিও কখনো আপনার কম্পিউটার ছাড়ে না।

যা পাবেন:

  • শব্দ ধরে টাইমিংসহ লোকাল ট্রান্সক্রিপশন, তাই ক্যাপশন ঠিক সেই শব্দেই বসে।
  • 10টি ক্যাপশন প্রিসেট, যার মধ্যে আছে Word Pop, Hormozi, Karaoke, Neon, Clean আর Beast স্টাইল।
  • অ্যাক্টিভ-ওয়ার্ড হাইলাইট, যা বলার সাথে সাথে প্রতিটি শব্দকে ফুটিয়ে তোলে; শর্ট ভিডিওতে এই অ্যানিমেটেড স্টাইলই সবচেয়ে ভালো চলে।
  • আপনার ব্র্যান্ডের সাথে মেলাতে কাস্টম ফন্ট ইমপোর্ট।
  • YouTube বা অ্যাক্সেসিবিলিটির জন্য ফাইল লাগলে SRT বা VTT-তে এক্সপোর্ট।

ফ্রি প্ল্যানে ক্যাপশন, 1080p এক্সপোর্ট আছে, কোনো ওয়াটারমার্ক নেই; Pro হলো $89-এর একবারের কেনাকাটা, কোনো সাবস্ক্রিপশন নেই। কীভাবে কাজ করে তা ক্যাপশন পেজে দেখতে পারেন, আর ধাপে ধাপে দেখতে চাইলে আমাদের গাইড আছে: Mac-এ ভিডিওতে অটো-ক্যাপশন দেওয়ার উপায়। চেষ্টা করে দেখতে চান? Zella ডাউনলোড করুন আর কয়েক মিনিটেই প্রথম ক্লিপে ক্যাপশন দিন।

সাধারণ প্রশ্ন

সাবটাইটেল আর ক্যাপশনের পার্থক্য কী?

সাবটাইটেল মুখের কথা লিখে দেয়, যারা অডিও শুনতে পান তাদের জন্য। ক্যাপশন এর সাথে সাউন্ড ইফেক্ট আর বক্তার নামের মতো কথার বাইরের তথ্যও যোগ করে, যারা শুনতে পান না তাদের জন্য, আর এটা চালু-বন্ধ করা যায়। চলতি কথায় মানুষ দুটোকেই "ক্যাপশন" বলেন।

সাবটাইটেল বার্ন-ইন করব, নাকি SRT আপলোড করব?

TikTok, Reels আর Shorts-এর জন্য বার্ন-ইন করুন, কারণ সেখানে ফিডে ভিডিও মিউট অবস্থায় চলে। YouTube-এর লম্বা ভিডিও, ওয়েবসাইট আর অ্যাক্সেসিবিলিটির জন্য SRT আপলোড করুন, যাতে দর্শক চালু-বন্ধ করতে পারেন আর সার্চ ইঞ্জিন পড়তে পারে। অনেক ক্রিয়েটর দুটোই করেন।

2026-এ অটো-ক্যাপশন কতটা নির্ভুল?

পরিষ্কার, স্ট্যান্ডার্ড ইংরেজিতে আলাদা টুলগুলো মোটামুটি 95% থেকে 98% পর্যন্ত পৌঁছায়। প্ল্যাটফর্মের নিজস্ব অটো-ক্যাপশন সাধারণত কম, প্রায় 85% থেকে 90%। নাম, টেকনিক্যাল শব্দ, আর টান নিয়ে বা নয়েজের ওপর বলা যেকোনো কথা সবসময় পড়ে মিলিয়ে নিন।

সার্ভারে ভিডিও আপলোড না করে কি সাবটাইটেল যোগ করা যায়?

হ্যাঁ। Zella (Mac)-এর মতো অন-ডিভাইস টুল লোকালি ট্রান্সক্রাইব করে, তাই আপনার ফুটেজ কখনো কম্পিউটার ছাড়ে না। বেশিরভাগ ব্রাউজার টুল ট্রান্সক্রাইব করতে ফাইল আপলোড করে।

সাবটাইটেল কোন ফরম্যাটে এক্সপোর্ট করব?

SRT সবচেয়ে নিরাপদ সর্বজনীন পছন্দ আর YouTube-এ চলে। VTT হলো HTML5 প্লেয়ারের ওয়েব স্ট্যান্ডার্ড। Zella দুটোই এক্সপোর্ট করতে পারে।

সূত্র: