Praktyczne zastosowania
Automatyczne napisy AI w telewizji: czego uczy przypadek AI-Mimi
Zaktualizowano: Autor: Andrzej Niemiec7 min czytania
AI-Mimi to rozwiązanie SI-com powiązane z ISCEC Japan, nie samodzielny startup. Jak działają automatyczne napisy w telewizji, gdzie zawodzą i czego uczą japońskie pilotaże.
Spis treści
- Czym jest AI-Mimi i kto za nim stoi?
- Jak działa system napisów opracowany przez SI-com?
- Dlaczego lokalne stacje w Japonii potrzebowały automatyzacji?
- Co NHK prowadziła równolegle?
- Ile osób w Japonii naprawdę potrzebuje napisów?
- Automatyczne napisy, język migowy czy tłumacz — co wybrać?
- Jakie ryzyko widać w praktyce?
- Co z tego wynika dla nadawcy w Polsce?
- Najczęstsze pytania
- Źródła
Czym jest AI-Mimi i kto za nim stoi?
Według materiału Microsoftu AI-Mimi to rozwiązanie firmy SI-com powiązanej z ISCEC Japan, a nie odrębny startup z własnym produktem. System łączy automatyczne rozpoznawanie mowy w usłudze Azure Cognitive Services z korektą wykonywaną przez człowieka. Opis dotyczy napisów dla lokalnych stacji oraz grup osób niesłyszących i niedosłyszących, nie ogólnokrajowego wdrożenia [1]. Materiały nie wskazują też NHK jako klienta ani operatora tego systemu.
To rozróżnienie ma praktyczne znaczenie. Automatyczne napisy nie są produktem kupowanym w jednym egzemplarzu i wdrażanym w całej sieci. Są procesem: rozpoznawanie mowy, synchronizacja z emisją, korekta i publikacja. Każdy z tych etapów ma innego właściciela i inny tryb awarii, dlatego wdrożenie w jednej stacji nie oznacza gotowości do emisji na szczeblu krajowym.
Jak działa system napisów opracowany przez SI-com?
Warstwa rozpoznawania mowy zamienia dźwięk na tekst, a człowiek uzupełnia braki i poprawia błędy, zanim napisy trafią na ekran. Interfejs stawia czytelność ponad przyjętym standardem: zamiast dwóch linii u dołu ekranu pojawia się ponad dziesięć linii większych napisów po prawej stronie [1]. To decyzja projektowa, nie kosmetyka, bo przy szybkiej mowie dwie linie wymuszają skracanie treści.
Pierwszą opisaną demonstrację na żywo przeprowadzono w grudniu 2021 roku w Nagasaki, a nie w siedzibie NHK, i oceniali ją użytkownicy niesłyszący oraz niedosłyszący [1]. Prace pilotażowe zaczęły się wcześniej, w 2018 roku, i obejmowały głównie stacje lokalne. Według SI-com ponad 100 lokalnych kanałów zgłaszało bariery związane z kosztem sprzętu i brakiem personelu [1].
Dlaczego lokalne stacje w Japonii potrzebowały automatyzacji?
Odpowiedź jest ekonomiczna, nie technologiczna. Napisy na żywo wymagają osoby, która słucha emisji i pisze w czasie rzeczywistym, a mała stacja nie ma z czego utrzymać takiego etatu przez całą dobę. Automatyzacja obniża próg wejścia, ale nie usuwa potrzeby korekty przy materiałach trudnych: nazwach własnych, mowie nakładającej się i transmisjach specjalnych.
Dlatego wczesne wdrożenia dotyczyły stacji lokalnych, a nie największych nadawców [1]. Nadawca publiczny ma inne możliwości: własne laboratoria, budżet na personel i zaplecze badawcze. To odwrotna kolejność niż w typowym scenariuszu technologicznym, gdzie nowinka najpierw trafia do największego gracza.
Co NHK prowadziła równolegle?
NHK rozwijała własne rozwiązania do automatycznego tworzenia napisów, oparte na rozpoznawaniu mowy, synchronizacji tekstu z transmisją i platformie Hybridcast. Próby objęły siedem prefektur w okresie od maja do lipca 2020 roku [2] [3]. To osobna linia prac, niezależna od systemu opisanego przez Microsoft.
W czerwcu 2022 roku nadawca uruchomił automatyczne napisy angielskie dla transmisji internetowych specjalnych wiadomości w sytuacjach kryzysowych [4]. Był to system tłumaczeniowy, a nie ten sam mechanizm co AI-Mimi. Zestawianie obu projektów w jednym zdaniu prowadzi do błędnego wniosku, że NHK wdrożyła technologię SI-com.
Ile osób w Japonii naprawdę potrzebuje napisów?
Microsoft podawał ponad 360 tysięcy osób niesłyszących lub niedosłyszących oraz szacunek 14,2 miliona osób z niepełnosprawnością słuchu w Japonii [1]. Obie liczby opisują skalę potrzeby, nie zasięg jakiegokolwiek produktu. Informacje o milionach widzów korzystających z AI-Mimi nie znajdują potwierdzenia w dostępnych źródłach.
To ważne także dla tytułów prasowych. Liczba osób, które mogłyby skorzystać z napisów, jest argumentem za inwestycją w dostępność, a nie dowodem na sukces konkretnego wdrożenia. Mieszanie tych dwóch porządków jest najczęstszym błędem w opisach technologii dostępnościowych.
Automatyczne napisy, język migowy czy tłumacz — co wybrać?
| Kryterium | Automatyczne napisy z korektą | Przekaz w języku migowym (awatar lub człowiek) | Napisy tworzone wyłącznie przez ludzi |
|---|---|---|---|
| Czas przygotowania | Sekundy do minut, zależnie od korekty | Wymaga nagrania lub pracy tłumacza na żywo | Zależny od dostępności zespołu |
| Koszt stały | Aparat obliczeniowy i nadzór redakcyjny | Koszt tłumacza lub produkcji awatara | Najwyższy koszt etatowy przy emisji ciągłej |
| Kontrola jakości | Wymaga człowieka przy nazwach i kontekście | Wysoka, jeśli tłumacz zna temat | Wysoka, ograniczona skalą |
| Dostępność dla osób nieczytających | Ograniczona | Pełna | Ograniczona |
| Ryzyko wizerunkowe | Błąd trafia na antenę natychmiast | Błąd rzadki, ale kosztowny | Niskie |
Wybór nie jest zero-jedynkowy. Stacja potrzebuje napisów dla większości widzów i przekazu w języku migowym dla osób, dla których napisy nie są funkcjonalne. Automatyzacja obniża koszt pierwszej ścieżki, ale drugiej nie zastępuje.
Jakie ryzyko widać w praktyce?
W 2025 roku NHK zakończyła usługę automatycznych wielojęzycznych napisów po błędzie tłumaczenia: nazwa Wysp Senkaku została wyświetlona po chińsku jako „Diaoyu Islands” [5] [6]. Sprawa dotyczyła innej usługi i tłumaczenia Google, ale pokazuje mechanizm problemu: automat publikuje wynik bez wystarczającej weryfikacji, a koszt błędu ponosi nadawca.
Dla nadawcy wniosek jest operacyjny. Automatyczne napisy w emisji na żywo potrzebują człowieka w pętli przy materiałach wrażliwych, a nie tylko po fakcie. Ten sam problem dotyczy innych zastosowań generatywnych narzędzi w mediach, gdzie treść trafia do odbiorcy bez redakcyjnego przeglądu, co opisujemy też w tekście o granicach odpowiedzialności za treści AI.
Co z tego wynika dla nadawcy w Polsce?
Nie ma potwierdzonych danych o polskim rynku, które pozwalałyby porównać skalę wdrożeń z Japonią, więc wniosek trzeba oprzeć na mechanizmie, nie na liczbach. Pierwszy krok to audyt własnej ramówki: ile godzin emisji ma napisy, w ilu programach jest tłumacz języka migowego i kto odpowiada za korektę.
Drugi krok to pilotaż w jednym programie informacyjnym z jasno określoną osobą odpowiedzialną za jakość. Dopiero trzeci krok to decyzja o skali. Kolejność ma znaczenie, bo wdrożenie automatycznych napisów bez procedury korekty przenosi ryzyko z technologii na redakcję, jak w przypadku japońskim [5].
Trzeci element to konsultacja ze środowiskiem osób głuchych. Bez niej łatwo zaprojektować interfejs, który spełnia wymóg formalny, ale nie jest użyteczny. Sposób, w jaki narzędzia wyszukiwania i rekomendacji zmieniają dostęp do treści, opisujemy szerzej w materiale o wpływie AI na dystrybucję treści wideo.
Najczęstsze pytania
Czy AI-Mimi to startup?
Nie w świetle dostępnych źródeł. Microsoft opisuje AI-Mimi jako rozwiązanie firmy SI-com powiązanej z ISCEC Japan, łączące rozpoznawanie mowy Azure z pracą człowieka [1]. Materiał nie przedstawia tego jako samodzielnej spółki ani nie podaje informacji o finansowaniu, zespole założycielskim czy niezależnym produkcie. Dlatego ostrożniej mówić o systemie i jego wdrożeniach niż o startupie odnoszącym sukces rynkowy.
Kiedy zaczęły się pierwsze pilotaże AI-Mimi?
Prace pilotażowe rozpoczęły się w 2018 roku i dotyczyły głównie lokalnych stacji, które miały problemy z kosztem sprzętu oraz brakiem personelu [1]. Pierwszą opisaną demonstrację na żywo przeprowadzono w grudniu 2021 roku w Nagasaki. To dwa różne etapy: wcześniejsze testy w stacjach oraz publiczny pokaz, który oceniali użytkownicy niesłyszący i niedosłyszący.
Czy NHK wdrożyła AI-Mimi?
Dostępne źródła tego nie potwierdzają. NHK prowadziła własne prace nad automatycznymi napisami, z próbami w siedmiu prefekturach od maja do lipca 2020 roku [2] [3], a w czerwcu 2022 roku uruchomiła automatyczne napisy angielskie dla transmisji kryzysowych [4]. To odrębne projekty. Materiał Microsoftu nie wskazuje NHK jako klienta systemu SI-com [1].
Czy automatyczne napisy są bezpieczne w telewizji na żywo?
Są bezpieczne tylko z procedurą korekty. Przykład z 2025 roku pokazuje, że błąd tłumaczenia nazwy własnej trafił do emisji i zakończył całą usługę automatycznych wielojęzycznych napisów NHK [5] [6]. Ryzyko rośnie przy nazwach geograficznych, politycznych i przy mowie nakładającej się. Nadawca powinien zdefiniować, które materiały wymagają człowieka w pętli.
Ile osób w Japonii ma niepełnosprawność słuchu?
Microsoft podawał ponad 360 tysięcy osób niesłyszących lub niedosłyszących oraz szacunek 14,2 miliona osób z niepełnosprawnością słuchu [1]. Te liczby opisują skalę potrzeby dostępności, a nie zasięg AI-Mimi ani liczbę widzów korzystających z napisów. Cytując je, warto zachować to rozróżnienie, bo bywa ono mylone w materiałach o technologiach dostępnościowych.
Źródła
- AI-Mimi is building inclusive TV experiences for Deaf and Hard of Hearing user in Japan (Microsoft Accessibility Blog)
- Automatic closed-captioning technology (NHK STRL)
- Testing an automated subtitle-generation system based on speech-recognition technology at broadcast stations in seven prefectures (NHK STRL)
- Using an AI translation system to generate English subtitles for live-streamed special news in emergencies (NHK STRL)
- NHK Halts AI-Driven Multilingual Subtitles Over Translation Error (OECD.AI)
- Japanese News Outlet NHK Pulls the Plug on AI Translated Subtitles (Slator)
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji