Мой питомец — LinguaPlayer

Сегодня в пятничном формате хотел бы рассказать об одном из своих пет-проектов, чем интересным пришлось заниматься во время работы над ним и какие вопросы мне так и не удалось решить для его дальнейшего развития.

Итак, у меня было достаточно много пет-проектов разной степени готовности. Среди них: социальная сеть для писателей, генератор CSS-спрайтов, Телеграм бот для знакомств по интересам и многое другое. Сегодня речь пойдёт о моей последней разработке.

Как многие в наши дни, я учу английский. Думаю, также многие знают, что эффективным подходом в этом деле является максимальное погружение в среду. Интерфейс телефона на английском, записи в блокноте на английском, смотреть кино на английском с английскими субтитрами. Но когда смотришь кино в оригинале, рано или поздно возникает потребность перевести то или иное слово или фразу, которые мелькают на экране каждые несколько минут. Без них вообще ничего не понятно.

Идея проекта

Так у меня и родилась идея видеоплеера с переводимыми субтитрами. Приложение позволяет переводить слова и целые фразы прямо во время просмотра кино. С ним отпадает необходимость переключаться между приложениями или брать в руки смартфон. Знакомьтесь – LinguaPlayer.

Схема работы простая. Пользователь открывает файл с фильмом и файл субтитров. Смотрит фильм как обычно. Однако теперь в его распоряжении помимо стандартных горячих клавиш есть клавиши для перевода каждого слова по отдельности, перевода целых предложений, перемотки от реплики к реплике. Также присутствует перевод посредством наведения курсора мыши на слова или выделения нужного куска текста. Приложение доступно для Windows и MacOS. Все подробности можно почитать на страничке приложения.

Технологический стек

Плеер реализован на платформе Electron, т. е. по сути это браузер Chromium, внутри которого бежит обычное веб-приложение. На этой технологии построено большое количество различных приложений – удачных и не очень. Наиболее известные примеры это Visual Studio Code, Skype, Slack. Electron предоставляет некоторые системные API, которые недоступны JavaScript, запущенному в обычном браузере. Это позволяет делать приложения более функциональными и близкими по возможностям и пользовательскому опыту к нативным. Что касается всего остального – разработчику доступен абсолютно любой стек, применимый в вебе. Будь то чистый JavaScript, Angular, jQuery, Vue – что угодно.

Для LinguaPlayer я выбрал привычный стек, с которым работаю каждый день: TypeScript, React, MobX, Webpack. Я планировал сделать прототип за вечер, так как задача выглядела легко: дал приложению файл с видео и файл с субтитрами, прикрутил переводчик и готово. С этой частью проблем не возникло. Однако, как оказалось, встроенный в браузеры движок отображения субтитров не имеет никаких средств взаимодействия с текстом реплик. Что я имею в виду. Реплики титров хоть и появляются поверх видео, но в DOM никаких упоминаний о них нет. Другими словами, нет возможности распарсить текст, разбить его по словам и предложениям, повесить обработчики нажатий клавиш или зарегистрировать события мыши.

Решение интересных задач

Таким образом, мне пришлось решить две задачи. Первая — это парсинг srt-файлов с титрами с последующей синхронизацией реплик с видеопотоком. Вторая – разбивка реплик на токены, чтобы была возможность взаимодействовать с каждым словом и предложением по отдельности.

Для парсинга титров я взял библиотеку node-webvtt. Для синхронизации титров изначально я написал логику «в лоб». Подписавшись на событие video-элемента «timeupdate», я просто ходил по массиву реплик и сравнивал текущее время видео с временем реплик. Однако событие «timeupdate» срабатывает четыре раза за секунду, а реплик в среднем фильме несколько тысяч. Всё это дело жутко тормозило.

Для оптимизации данного процесса я сделал простой hash map. Его ключом является секунда (целая, без миллисекунд), а значением – массив номеров реплик, которые должны быть показаны в эту секунду. Выглядело это примерно так:

{
	// на пятой секунде 2 реплики
	5: [1, 2]
	// на седьмой секунде 3 короткие реплики
	7: [3, 4, 5]
}

В каждой секунде может быть от 0 до примерно 4 реплик — человек имеет ограничения и вряд ли сможет прочитать большее количество текста за секунду. Таки образом, при обновлении времени воспроизведения, всё что необходимо сделать — это выделить из него целую часть и обратиться с этим значением к hash map. Если на этой секунде реплик нет, значит ничего больше не делаем. Если на этой секунде есть реплики, то итерируемся по вернувшемуся массиву и ищем, какая именно реплика должна быть показана сейчас. Так как на секунду может быть до 4 реплик, то цикл завершается быстро. Возможно, многим будет проще воспринять описанный алгоритм в виде кода:

// Объект реплики: порядковый номер, время начала отображения (в миллисекундах), время конца отображения, текст
class Cue {
  public readonly index: number;
  public readonly startTime: number;
  public readonly endTime: number;
  public readonly text: string;

  constructor(index: number, startTime: number, endTime: number, text: string) {
    this.index = index;
    this.startTime = startTime;
    this.endTime = endTime;
    this.text = text;
  }
}

interface CueIndex {
  // Ключ индекса это целая секунда (без миллисекунд) и массив порядковых номеров реплик,
  // которые начинают или заканчиваются в течение этой секунды
  [key: number]: number[];
}

class SubtitlesTrack {
  private readonly cues: Cue[];
  private index: CueIndex = {};

  constructor(cues: Cue[]) {
    this.cues = cues;

    // На входе у нас просто массив реплик, нужно проиндексировать
    this.indexCues();
  }

  private indexCues() {
    this.cues.forEach((cue: Cue) => {
      // Переводим время начала и конца реплики из миллисекунд в секунды и берём только целую часть
      const startSecond = Math.floor(cue.startTime / 1000);
      const endSecond = Math.floor(cue.endTime / 1000);

      // Добавляем реплику (её порядковый номер) в индекс
      this.addToIndex(startSecond, cue);
      // Бывает, что реплика началась в одной секунде, и отображается до следующей или даже держится несколько секунд
      // Такую реплику следуют добавить также в индекс секунды окончания
      if (endSecond !== startSecond) {
        this.addToIndex(endSecond, cue);
      }
    });
  }

  private addToIndex(secondNumber: number, cue: Cue): void {
    // Если это первая реплика в данной секунде, инициализируем ключ индекса пустым массивом
    if (!this.index[secondNumber]) {
      this.index[secondNumber] = [];
    }

    // Затем в массив реплик добавим порядковый номер новой реплики
    this.index[secondNumber].push(cue.index);
  }

  // Метод поиска реплики
  public findCueForTime(timeInSeconds: number): Cue|null {
    // Событие плеера timeupdate присылает время сразу в секундах
    // Поэтому сразу берём целую часть
    const flooredTime = Math.floor(timeInSeconds);
    // Выбираем проиндексированные реплики для этой секунды
    const cues = this.index[flooredTime];
    let currentCue = null;

    // Если на данной секунде есть реплики
    if (cues) {
      // Проходимся по каждой
      for (let index of cues) {
        const cue = this.cues[index];

        // И смотрим, совпадает ли интервал времени начала и конца реплики с текущем временем в плеере
        if (this.isCueInTime(timeInSeconds, cue)) {
          // Если да, то устанавливаем значение текущей реплики и останавливаем цикл
          currentCue = cue;
          break;
        }
      }
    }

    // Вернём текущую реплику или null, если для данного времени реплики нет
    return currentCue;
  }

  public isCueInTime(timeInSeconds: number, cue: Cue): boolean {
    const timeInMilliseconds: number = timeInSeconds * 1000;

    return timeInMilliseconds >= cue.startTime && timeInMilliseconds <= cue.endTime;
  }
}

Таким образом, вместо того, чтобы 4 раза в секунду обходить массив из тысяч элементов, необходимо лишь сделать одно обращение по индексу, и пройтись по массиву длиной от 1 до 4.

Перед тем как выводить получаемые реплики я разбивал их на предложения и на слова с помощью библиотеки node-sentence-tokenizer. Всё это дело я оборачивал в элементы div с классами sentence и word соответственно, чтобы иметь возможность вешать на них события в дальнейшем и выполнять перевод. Вот так выглядит код:

import Tokenizer from 'sentence-tokenizer';

function formatCue(text: string): string {
  const brMark: string = '[br]';
  const tokenizer = new Tokenizer();

  // Заменяем переносы строк на псевдотэг для удобной работы с переносами в дальнейшем
  text = text
    .replace(/\r\n/g, ` ${brMark}`)
    .replace(/\r/g, ` ${brMark}`)
    .replace(/\n/g, ` ${brMark}`);

  // Устанавливаем text как сущность для обработки
  tokenizer.setEntry(text);

  // Разбиваем текст на предложения
  const sentenceTokens: string[] = tokenizer.getSentences();
  // Проходимся по предложениям
  const sentencesHtml: string[] = sentenceTokens.map((sentenceToken: string, index: number) => {
    // Разбиваем предложение по словам
    const wordTokens: string[] = tokenizer.getTokens(index);
    // Идём по каждому слову
    const wordsHtml: string[] = wordTokens.map((wordToken: string) => {
      let brTag: string = '';

      // Если после слова есть псевдотэг переноса, удаляем его и устанавливаем html тэг переноса строки
      if (wordToken.includes(brMark)) {
        wordToken = wordToken.replace(brMark, '');
        brTag = '<br/>';
      }

      // Оборачиваем слово в span с классом word и добавляем тэг br, если надо
      return `${brTag}<span class="word">${wordToken}</span>`;
    });

    // Склеиваем слова обратно, в строку, оборачиваем предложение в в span с классом sentence
    return `<span class="sentence">${wordsHtml.join(' ')}</span>`;
  });

  // Склеиваем предложение обратно в строку
  const html: string = sentencesHtml.join(' ');

  return html;
}

Далее я прикрутил Microsoft Translator для осуществления перевода, и плеер для изучения английского был готов.

Чего не хватает проекту, чтобы развиваться

Конечно, на данный момент плеер даже не является MVP, это скорее proof of concept. И у меня есть множество идей по развитию данного проекта. В первую очередь хочется добавить поддержку словарей, например английского и англо-русского, а также интегрировать Urban Dictionary для распознавания сленга, а также различных современных слов и фраз. Во вторую очередь есть мысль реализовать интеграции с сервисами по изучению иностранных языков, такими как LinguaLeo или Skyeng. Это позволило бы добавлять незнакомые слова в персональный словарь на сервисе и учить их позже. Или же импортировать свой словарь в Anki. Также можно было бы добавить поддержку изучения других языков.

Но, прежде чем приступить к реализации задуманных функций, необходимо решить ряд технических и концептуальных проблем. Моя изначальная идея заключалась в том, чтобы можно было смотреть свои старые и излюбленные фильмы, пылящиеся на жёстком диске. И здесь возникает серьёзная техническая проблема, а именно – слабая поддержка кодеков в браузере Chromium. Глядя на список поддерживаемых форматов, можно заметить, что по факту в приложении можно проиграть лишь файлы с видеокодеком H.264 и аудиокодеком FLAC либо MP3. Нужно очень постараться, чтобы найти именно такой файл. Да никто и не будет заниматься подобным – сейчас все избалованы стриминговыми сервисами. Не говоря уже о вопросах лицензирования, что является большой, концептуальной проблемой.

Таким образом, главный блокирующий фактор сейчас – это контент. Он должен без проблем играть в приложении, должна быть возможность легко и быстро его получать, а также, он не должен нарушать лицензии и авторские права. Как только удастся решить вопрос с контентом, я с радостью продолжу работу над проектом. А пока, если кому интересно, можно скачать и попробовать концепт-версию приложения.