শর্ট-ফর্ম ভিডিওর বেশিরভাগ দেখা হয় সাউন্ড বন্ধ বা আধা চালু রেখে: ট্রেনে, লাইনে দাঁড়িয়ে, ঘুমন্ত সঙ্গীর পাশে। ক্যাপশন বহু বছর আগেই অ্যাক্সেসিবিলিটির বাড়তি জিনিস থাকা বন্ধ করেছে; এগুলো ভিডিওর দ্বিতীয় চ্যানেল। কিন্তু লেখা আছে কিনা তার মতোই জরুরি কীভাবে আসে, আর প্রতিটি প্ল্যাটফর্মের সেরা পারফর্মারদের ডেটা একই দিক দেখায়: Reels আর TikTok-এ শব্দ-ধরে-শব্দ ক্যাপশন ব্লক সাবটাইটেলকে হারায়।

কেন ওয়ার্ড-পপ দর্শক ধরে রাখে আর ব্লক রাখে না

দুই লাইনের স্থির সাবটাইটেল মোটামুটি এক সেকেন্ডে পড়া হয়ে যায় (বলার চেয়ে দ্রুত), তারপর পরের ব্লক পর্যন্ত স্ক্রিনের অচল আসবাব। দর্শকের চোখ আগেই শেষ করে ঘুরে বেড়াতে শুরু করে, আর ঘুরে বেড়ানো চোখ মানে সোয়াইপ করা আঙুল।

শব্দ-ধরে-শব্দ ক্যাপশন একসাথে তিনভাবে এটা ঠিক করে:

  • নড়াচড়া। প্রতি কয়েকশো মিলিসেকেন্ডে একটা শব্দ ফুটে ওঠা মানে ছোট ছোট প্যাটার্ন ইন্টারাপ্টের টানা স্রোত: ফ্রেম কখনো স্থির নয়।
  • গতি বাঁধা। দর্শক আগে পড়ে ফেলতে পারে না; তার পড়ার গতি আপনার বলার গতির সাথে মিলতে বাধ্য, তাই মনোযোগ অডিওর সাথে সিঙ্কে থাকে।
  • অ্যাক্টিভ শব্দে মনোযোগ। ঠিক এখন বলা শব্দটা হাইলাইট করলে অডিও আর ভিজ্যুয়াল চ্যানেল মিশে যায়: মিউট দর্শক কার্যত আপনার কথার ছন্দ শুনতে পায়।

ক্যাপশন দর্শক ধরে রাখার কৌশল হওয়ার আগে একটা অ্যাক্সেসিবিলিটির শর্ত: W3C-র আগে থেকে রেকর্ড করা মিডিয়ার ক্যাপশন নির্দেশিকাই সেই মানদণ্ড, যেটা দিয়ে বেশিরভাগ দলকে আসলে মাপা হয়।

এভাবে ক্যাপশন দেওয়া নির্ভর করে Apple-এর Speech framework-এর ওপর, যেটা ডিভাইসেই রিকগনিশন চালাতে পারে, এ কারণেই অডিও পড়ার জন্য কোথাও পাঠাতে হয় না।

জোর দেওয়া: ক্যাপশন স্টাইলের 80/20

একই রকম লেখা দেখতে একঘেয়ে। উন্নতিটা হলো কিওয়ার্ডে জোর: প্রতি লাইনে অর্থ বহন করা এক-দুটো শব্দ পায় আলাদা রং, একটু বড় সাইজ, বা দুটোই। "এই ভুলে আপনার খরচ হাজার হাজার" একই বাক্যের একরকম লেখার চেয়ে আলাদা পড়া যায়: জোর দেওয়া শব্দটা লাইনের থাম্বনেইল।

যে নিয়মগুলো পরিষ্কার রাখে:

  1. প্রতি লাইনে বড়জোর 1-2টি জোর দেওয়া শব্দ। সবকিছুতে জোর দিলে কিছুতেই জোর দেননি।
  2. বিশেষ্য আর সংখ্যায় জোর দিন, সংযোজক শব্দে নয়। "হাজার হাজার", "কখনো না", "3 সেকেন্ড", "এবং" বা "খুব" নয়।
  3. প্রতি লাইনে বড়জোর একটা ইমোজি, আর শুধু যখন অর্থের সাথে মেলে (টাকায় 💰, সতর্কতায় ⚠️)। ইমোজির ছড়াছড়ি স্প্যামের মতো লাগে।
  4. বড়, হাই-কনট্রাস্ট, মোটামুটি নিচের মাঝখানে: প্ল্যাটফর্মের UI থেকে দূরে, মোটা স্ট্রোক বা শ্যাডোসহ যাতে যেকোনো পটভূমিতে টিকে থাকে।

ঝামেলা ছাড়াই শব্দ-ধরে-শব্দ ক্যাপশন

হাতে শব্দের টাইমিং অ্যানিমেট করা অযৌক্তিক: এটা ট্রান্সক্রিপশনের কাজ, আর অটোমেটিক হওয়া উচিত। Zella ডিভাইসেই ট্রান্সক্রাইব করে (কিছুই আপলোড হয় না, অফলাইনে চলে) আর শব্দ-স্তরের টাইমিং তৈরি করে, তারপর ভাইরাল ক্যাপশন প্রিসেটে স্টাইল দেয়: Mac-এ 10টি, iPhone-এ 9টি, সবগুলোতে অ্যাক্টিভ-ওয়ার্ড হাইলাইট। কিওয়ার্ডে জোর আর প্রতি লাইনে একটা ইমোজি ট্রান্সক্রিপ্ট থেকে নিজে থেকেই বসে, আর ট্রান্সক্রিপ্টের শব্দ এডিটরে কয়েক সেকেন্ডে নাম আর পরিভাষা ঠিক করা যায়।

এক ট্যাপের পথ: Auto-Polish (ইংরেজিতে) ডিফল্টভাবে আপনার ভিডিওতে Beast প্রিসেটে ক্যাপশন দেয়: একবারে একটা বড় শব্দ, কিওয়ার্ডে জোর, ইমোজিসহ, কারণ টকিং-হেড রিলে এই বড় হরফের স্টাইলই সবচেয়ে ভালো চলে। আরও হালকা চান? হাতে ক্যাপশন চালিয়ে ছোট একটা ওয়ার্ড-পপ প্রিসেট বাছুন; জোর দেওয়ার যুক্তি একই।

পোস্টের আগে ক্যাপশন পরীক্ষা

ভিডিওটা একবার মিউট করে দেখুন। যদি যুক্তিটা অনুসরণ করতে পারেন, ঠিক শব্দগুলোতে জোর পড়ছে টের পান, আর চোখ কখনো ফ্রেম ছেড়ে না যায়, তাহলে ক্যাপশন তার কাজ করছে। শর্ট-ফর্মে মিউট করে একবার দেখাই সবচেয়ে বেশি তথ্য দেওয়া মান-পরীক্ষা।

সাধারণ প্রশ্ন

Reel বা TikTok-এ শব্দ-ধরে-শব্দ ক্যাপশন কীভাবে দেব? শব্দ-স্তরের টাইমিং পেতে অডিও ট্রান্সক্রাইব করুন, তারপর এমন ক্যাপশন স্টাইল দিন যা কথার সাথে সিঙ্ক করে একবারে একটা (বা কয়েকটা) শব্দ দেখায়, অ্যাক্টিভ শব্দ হাইলাইট করে। TikTok-এর বিল্ট-ইন ক্যাপশন সত্যিকারের শব্দ-ধরে-শব্দ করতে পারে না; ডেডিকেটেড টুল পারে। Zella-য় অন-ডিভাইস ট্রান্সক্রিপশন আর একটা ওয়ার্ড-পপ প্রিসেট এটা নিজে থেকেই করে, আর Auto-Polish-এর এক ট্যাপ ডিফল্টভাবে বড় হরফের Beast স্টাইল দেয়।

শব্দ-ধরে-শব্দ ক্যাপশন কি সাধারণ সাবটাইটেলের চেয়ে ভালো? 15-60 সেকেন্ডের শর্টে, হ্যাঁ। দুই লাইনের স্থির ব্লক মোটামুটি এক সেকেন্ডে পড়া হয়ে যায় (বলার চেয়ে দ্রুত), তারপর অচল বসে থাকে আর চোখ ঘুরে বেড়ায়। ওয়ার্ড-পপ ক্যাপশন টানা নড়াচড়া যোগ করে, দর্শকের পড়ার গতি আপনার বলার গতিতে বেঁধে দেয়, আর মিউট দর্শকের জন্য অডিও আর ভিজ্যুয়াল চ্যানেল মিশিয়ে দেয়।

ক্যাপশন কি আমার বলার গতির সাথে মেলা উচিত? একদম। শব্দ-ধরে-শব্দ হাইলাইট আপনার কথা অনুসরণ করা উচিত, যাতে প্রকাশটা এলোমেলো না লেগে ছন্দময় লাগে। এ কারণেই শুধু প্রতি বাক্যে একটা সাবটাইটেল ব্লক নয়, শব্দ-স্তরের টাইমিং জরুরি।

ক্যাপশনে কিওয়ার্ডে কীভাবে জোর দেব? প্রতি লাইনে অর্থ বহন করা এক-দুটো শব্দকে (বিশেষ্য আর সংখ্যা, যেমন "হাজার হাজার", "কখনো না", "3 সেকেন্ড") আলাদা রং বা একটু বড় সাইজ দিন। প্রতি লাইনে বড়জোর এক-দুটো শব্দে জোর দিন; সবকিছুতে জোর দিলে কিছুতেই দেননি।

ক্যাপশনে কয়টা ইমোজি দেব? প্রতি লাইনে বড়জোর একটা, আর শুধু যখন অর্থের সাথে মেলে (টাকায় 💰, সতর্কতায় ⚠️)। ইমোজির ছড়াছড়ি স্প্যামের মতো লাগে আর পড়া এলোমেলো করে।

ভিডিওর অডিও ভালো হলেও কি ক্যাপশন লাগবে? হ্যাঁ, শর্ট-ফর্মের বেশিরভাগ দেখা হয় মিউট বা আধা চালু রেখে। ক্যাপশন ভিডিওর দ্বিতীয় চ্যানেল, অ্যাক্সেসিবিলিটির বাড়তি জিনিস নয়। সাউন্ড বন্ধ রেখে একবার দেখুন: যুক্তি অনুসরণ করতে পারলে আর জোর ঠিক জায়গায় পড়ছে টের পেলে, ক্যাপশন তার কাজ করছে।