Spraak, maklik gemaak

Gereelde vrae

My foon het ingeboude regstreekse vertaling - hoekom het ek VocalStack nodig?

’n Foon gebruik ’n klein spraakmodel wat op die toestel en die battery moet pas. Dit is goed genoeg vir kort, duidelike, alledaagse sinne. Dit is nie goed genoeg vir die dinge wat in werklike spraak verkeerd loop nie: ongewone woorde en name, woorde wat eenders klink (“wyd” en “wyt”, “ys” en “eis”), tegniese terme, aksente, mense wat deur mekaar praat en agtergrondgeraas. Die model raai, die vertaling word op die raaiskoot gebou, en niemand in die saal kan sien dat dit verkeerd was nie.

VocalStack loop op bedieners, so die modelle is volgrootte en elke reël word ná herkenning teen die konteks nagegaan. Laai eers ’n teks of skyfies op, en die name en terme daarin wen oor wat verkeerd gehoor is. As iets steeds verkeerd uitkom, kan jy die reël regmaak terwyl dit regstreeks is, en elke luisteraar sien die korreksie.

’n Foon hoor ook die saal, nie die spreker nie, en dit vertaal vir een persoon, so vyftig fone gee vyftig verskillende transkripsies. VocalStack neem oudio direk van die klanklessenaar, stroom of mikrofoon, transkribeer die spreker een keer, en almal lees of luister na dieselfde ding in hul eie taal. Die vertaling word in die spreker se eie stem hardop gelees, so luisteraars hoor die persoon op die verhoog, nie ’n generiese robotstem nie.

Betaal ek per luisteraar? Hoe werk pryse?

Nee. Luisteraars is gratis, maak nie saak hoeveel daar is of in watter taal hulle lees of luister nie. Jy betaal vir die oudio wat getranskribeer word, per sekonde, minstens 5 minute per transkripsie, en dit is die hele rekening: vertaling in tot 10 tale, gesproke vertalings, uitsaai, opsommings en uitvoere is ingesluit.

Sien pryse en planne

Lêers en regstreekse transkripsies het verskillende tariewe, dieselfde op elke plan, en Premium sluit elke maand $50 se krediet in. Elke plan het dieselfde funksies, en die API word teen dieselfde tarief as die dashboard gehef.

Wat het luisteraars nodig om saam te volg?

’n Skakel of QR-kode, en ’n foon. Daar is niks om te installeer nie en geen rekening om te skep nie. ’n Luisteraar maak die skakel in ’n blaaier oop, kies ’n taal en lees die transkripsie terwyl dit gepraat word. Verkies hulle om te luister, word elke vertaalde reël ook hardop gelees. Verander enige tyd van taal; die transkripsie tot dusver word in die nuwe taal herlees.

’n Luisteraar wat laat aansluit, sien alles wat voor sy aankoms gesê is, en volg dan regstreeks. As die verbinding wegval, haal die bladsy self in wanneer dit terugkom.

Moet die oudio van ’n mikrofoon kom?

Nee. ’n Regstreekse transkripsie kan ’n mikrofoon op enige toestel hoor, ’n RTMP-stroom vanaf OBS of ’n uitsaai-enkodeerder, ’n YouTube live, ’n internetradiostasie of enige URL wat ’n stroom bedien. Vir ’n stroom haal VocalStack self die oudio: niks loop aan jou kant nie.

Een uitsaaiskakel kan deur verskeie transkripsies gevoed word, so ’n konferensie met twee verhoë, of ’n stasie met ’n radiostroom en ’n YouTube live, deel steeds een skakel.

Kan ek beheer wie die transkripsie sien?

Ja. ’n Uitsending is by verstek publiek: enigiemand met die skakel kan dit volg. Maak dit privaat en stel ’n wagwoord, en net mense aan wie jy albei gee, kom in. Hernoem die skakel later, en die ou een werk steeds. Jy kan ook sien wie luister, in watter taal, en wanneer hulle aangesluit het.

Hoor ’n luisteraar die werklike spreker of ’n sintetiese stem?

Albei is moontlik. By verstek kry elke spreker ’n eie standaardstem van dieselfde geslag, sodat ’n paneel steeds soos ’n paneel klink. Met die spreker se toestemming kan jy hul stem uit dertig sekondes oudio kloon, en die vertaling word dan in elke taal in hul eie stem gelees. ’n Gekloonde stem beteken ook dat die spreker in toekomstige opnames by die naam herken en geëtiketteer word. Jy kan ’n stem aan elke spreker toeken, of een demp.

Wat word ná die geleentheid bewaar?

Alles. Die opname, die transkripsie met korreksies en vertalings, en die oudio word in jou biblioteek gestoor. ’n Titel en opsomming word geskryf sodra die woorde finaal is, in elke taal. Jy kan dit presies terugspeel soos dit binnegekom het, oor elke transkripsie in jou taal soek, en dit as SRT-onderskrifte, PDF, Excel of JSON uitvoer.

Kan ek dit in my eie produk inbou?

Ja. Alles wat die dashboard doen, is deur die API beskikbaar, teen dieselfde tarief: intydse transkripsie oor ’n WebSocket, regstreekse transkripsies met uitsendings, vertaling en gesproke vertalings, lêer- en skakeltake, en ’n MCP-bediener. Amptelike SDK’s vir TypeScript en Python is ingesluit. Luisteraars kan vanuit jou eie app met ’n deelkode en sonder ’n API-sleutel op ’n opname inteken.