’n Veeltalige gehoor het nie ’n kabine per taal nodig nie. Dit het een skoon klankstroom van die tafel nodig, een skakel wat die luisteraars op hul eie telefone oopmaak, en ’n manier om ’n verkeerd gehoorde naam reg te stel terwyl die praatjie nog aan die gang is.
’n Praatjie, ’n diens, ’n lesing of ’n raadsvergadering het een persoon wat praat en ’n gehoor wat nie almal in daardie taal dink nie. Die gewone antwoorde is duur, onvolledig of privaat.
Die duur antwoord is ’n tolk vir elke taal. Selfs met een per taal is dit ’n kabine, ’n stel ontvangers en ’n spesialis vir elke taal in die saal, en die spesialiste sê nie dieselfde ding nie. Elke tolk maak sy eie keuses onder tydsdruk: watter woord om vir ’n term te gebruik, wat om saam te pers, wat om weg te laat wanneer die spreker vinniger praat. By ’n gewone praatjie maak die verskille amper nie saak nie. By ’n regsverhoor, ’n raadsbesluit of ’n tegniese briefing wel: ’n gedefinieerde term, ’n dosis of ’n klousule kan by die Franssprekende luisteraars met een betekenis aankom en by die Arabiessprekende luisteraars met ’n ander, en niemand in die saal is in ’n posisie om dit op te merk nie. Die gedeeltelike antwoord is ’n onderskrifstroom op een skerm, in net een tweede taal. Die private antwoord is vyftig telefone wat na die saal opgehou word: vyftig effens verkeerde transkripsies, en elke telefone hoor die eggo en die hoes net so duidelik as die spreker.
Die alternatief is om die spreker een keer uit ’n skoon bron te transkribeer, daardie een transkripsie in te vertaal wat die gehoor ook al nodig het, sodat elke taal van dieselfde woorde af begin, en om elke luisteraar op hul eie toestel te laat kies. Die opname word bewaar wanneer die gebeurtenis eindig. Hier is hoe die gasheer en die luisteraar elk dit opstel, en wat dit kos.
’n Regstreekse transkripsie kan na ’n mikrofoon op enige toestel luister, na ’n RTMP-voer van OBS of enige ander enkodeerder wat ’n bediener-URL en stroomsleutel aanvaar, na ’n YouTube-regstreeks, na ’n internetradiostasie of na enige URL wat ’n stroom bedien. Vir ’n stroom haal VocalStack die oudio self; niks loop aan jou kant nie.
Die bron maak meer saak as enige instelling. ’n Kamermikrofoon, of ’n foon op ’n tafel, hoor die spreker plus die kamer: weerkaatsing van die mure, die stoele, die gehoor. Spraakherkenning verswak skerp soos die stem stiller word relatief tot daardie geraas, en daarom verskil daardie vyftig telefone van mekaar. ’n Voer van die mengtafel dra die spreker se eie mikrofoon met min van die kamer daarin, sodat die transkripsie die spreker volg, nie die kamer nie. As die lokaal ’n tafel het, neem die voer daarvandaan.
Die gesproke taal word outomaties opgespoor, en die spreker mag enige tyd van taal verander; om dit vooraf te noem help by raserige opnames en swaar aksente. Sprekeretikette kan af, aan of When Needed wees, wat hulle aanskakel sodra ’n tweede spreker gehoor word. Sodra oudio inkom, moet die gehoor êrens kan vind waar dit is.
’n Uitsending is die skakel: een adres en ’n QR-kode wat luisteraars skandeer om die regstreekse vertaling oop te maak en hul taal te kies. Die skakel word gemaak uit die naam wat jy aan die uitsending gee. Hernoem dit later en die ou skakel werk steeds, sodat ’n QR-kode wat op ’n program gedruk is, nie verouder nie.
’n Uitsending is standaard openbaar: enigiemand met die skakel kan dit oopmaak. Maak dit privaat en stel ’n wagwoord, en luisteraars word daarvoor gevra voordat die transkripsie verskyn.
Een uitsending kan deur verskeie regstreekse transkripsies gevoer word, sodat ’n konferensie met twee podiums steeds een skakel deel. Die skakel kry mense in; wat hulle daar hou, is om die name reg te kry.
Spraakherkenners is opgelei op hoe mense gewoonlik praat, dus wanneer ’n klank dubbelsinnig is, gryp hulle na die algemene woord. ’n Produknaam, ’n van, ’n dorpie, ’n chemiese stof: elk het ’n meer frekwente byna-homofoon, en dit is wat uitkom tensy die herkenner vertel word dat die seldsame woord kom. Daarvoor is ’n skrip. Voeg ’n skrip of skyfies by voordat jy begin, en die name en terme daarin wen bo wat verkeerd gehoor is. Daardie name en terme is waar herkenning gewoonlik misluk by ’n gespesialiseerde praatjie. Tydens die opname volg die Script-oortjie soos ’n teleprompter en verlig die woorde wat tot dusver gesê is.
Dit is die hele opstelling. Aan die ander kant van die skakel is nog minder om te doen.
’n Luisteraar het ’n skakel of ’n QR-kode nodig, en ’n foon. Hulle maak die skakel in ’n blaaier oop en sien The broadcast hasn't started yet totdat die gasheer op opneem druk, en dan Live. The first line appears in a moment. Hulle kies uit die tale wat die gasheer gekies het (tot 10 per transkripsie, uit 100 beskikbaar) en lees die transkripsie terwyl die spreker praat. Die gasheer hou aan om in hul eie taal te praat. ’n Luisteraar kan enige tyd van taal verander; die transkripsie tot dusver word dan in die nuwe taal weer gewys.
As ’n luisteraar eerder wil luister, word elke vertaalde reël hardop gelees. Standaard kry elke spreker ’n duidelike standaardstem van ooreenstemmende geslag, sodat ’n paneel steeds soos ’n paneel klink.
Die drie stadiums gebeur in volgorde, en elkeen wag op die een voor dit. Herkenning het ’n stuk spraak nodig voordat dit die woorde kan vasmaak, dus die transkripsie hink ’n fraksie van ’n sekonde agter die spreker. Vertaling het ’n hele frase nodig, want woordorde verskil tussen tale en die einde van ’n sin kan die begin verander, dus volg dit ’n sekonde of twee later. Spraak het die vertaalde sin nodig voordat dit kan begin, dus kom ’n gesproke reël laaste. Niks hiervan is ’n fout om weg te stel nie; dit is wat enige stelsel wat hierdie drie dinge doen, moet doen, insluitend ’n menslike tolk, wat ook op die werkwoord wag.
Met die spreker se toestemming kan ’n gasheer die spreker se stem kloon uit dertig sekondes van daardie persoon wat alleen praat (’n MP3, M4A of WAV; ’n paar minute is beter). Die vertaling word dan in elke taal in die spreker se eie stem gelees. Behandel ’n stem as die biometriese data wat dit is. Onder die AVG val stemdata wat verwerk word om ’n persoon te herken, oor die algemeen onder die spesiale kategorieë van Artikel 9, en sommige Amerikaanse state, Illinois onder hulle, reguleer stemafdrukke afsonderlik. Kry die spreker se uitdruklike toestemming voordat die monster opgeneem word, nie daarna nie; die stem kan enige tyd uitgevee word. Kloning skryf die spreker ook in, sodat hulle by toekomstige opnames by naam geëtiketteer word. ’n Gasheer kan elke spreker ’n stem toewys, of een demp.
’n Luisteraar wat laat aankom, sien alles wat gesê is voordat hulle ingekom het, en volg dan regstreeks. As die verbinding val, herstel die bladsy homself sodra die verbinding terugkeer. Wanneer die gasheer pouseer, sien luisteraars Paused. The transcript continues when the host resumes. Wanneer die gasheer stop, wys die bladsy die opname se datum en lengte, en die uitsending lys sy vorige opnames vir herhaling.
’n Luisteraar kan net lees wat die enjin gehoor het, en regstreekse herkenning kry van dit verkeerd.
Die gasheerskerm het ’n Fix-oortjie vir presies dit. Mark uncertain words kleur en onderstreep die woorde waaroor die enjin onseker was; Click to correct maak ’n reël oop vir hersiening. Die oortjie loop onsekere segmente een vir een deur, sodat ’n tweede persoon aan die tafel daardeur kan werk terwyl die spreker voortgaan.
Wanneer ’n gasheer ’n woord of ’n reël herskryf, selfs een wat nog uitgespreek word, sien elke luisteraar die korreksie. ’n Reël waarvan die vertroue te laag is, word vir luisteraars as Audio unclear verborge eerder as om verkeerd gewys te word; die gasheer sien steeds elke woord. ’n Leemte is ’n bekende gaping; ’n vertroude verkeerde woord is ’n gerug.
Daardie korreksies verdwyn nie wanneer die praatjie eindig nie.
Alles word bewaar. Die opname, die transkripsie met korreksies en vertalings, en die oudio beland in die gasheer se biblioteek. Herhaling speel dit presies soos dit aangekom het weer, reël vir reël, met sy oudio. Sodra die woorde finaal is, word ’n titel en opsomming in elke taal geskryf, en die gasheerskerm se Summary- en Export-oortjies dra hulle direk uit die gebeurtenis uit.
Uitvoere is SRT-onderskrifte, PDF, Excel of JSON, met korreksies en vertalings ingesluit, en die oudio laai af as MP3. Elke transkripsie is in enige taal soekbaar.
Die Audience-aansig wys wie geluister het, in watter taal, en wanneer hulle aangesluit het: dikwels die eerste regte telling wat ’n organiseerder kry van wie watter taal nodig gehad het. Tot dan was die gewone skatting wie ook al ’n hand opgesteek het toe daar in Engels gevra is of hulle vertaling nodig gehad het. Luisteraar-identifiseerders word saam met die opname uitgevee.
Spraakherkenning, sprekerherkenning en stemsintese loop op bedieners wat ons bedryf, en jou oudio word nie vir verwerking na ’n derde party gestuur nie. Ons gebruik nie jou oudio, transkripsies of stemme om modelle op te lei nie.
Retensie volg die plan: op Pay as you go word bronoudio en stemme 7 dae bewaar en transkripsies 30 dae; Premium en Enterprise hou dit vir die lewe van die rekening. Die ander ding wat ’n plan bepaal, is die faktuur.
Twee getalle maak saak. Op Pay as you go en Premium is regstreekse transkripsie $0.60 per uur oudio, gefaktureer per sekonde met ’n minimum van 5 minute per transkripsie, in die Dashboard en deur die API ewe so; Enterprise het volumetariewe. Luisteraars en tale is gratis: ’n uur-lange gebeurtenis wat in vyf tale gelees word deur tweehonderd mense kos $0.60. Lêers is goedkoper ($0.20 per uur) omdat ’n regstreekse transkripsie die hele gebeurtenis in reële tyd loop. Planne verskil in gelyktydigheid, maksimum opnamelengte en opstartspoed; op Pay as you go kan ’n koue begin tot 15 sekondes neem, so druk opneem ’n bietjie voordat die spreker begin, ongeveer een "Kan almal agter my hoor?" vooraf. Die volledige tabel is op die prysbladsy.
Die tuisblad het ’n demo met twee telefone, en ’n nuwe rekening op die Dashboard kom met ’n krediet van $5 by aanmelding en benodig geen kaart nie. Teen die regstreekse tarief dek daardie krediet meer as agt uur se uitsaai.
Besluit jy tussen dit en die regstreekse vertaling wat in almal se foon ingebou is? Lees waarom ’n foon nie vir ’n saal genoeg is nie. Vir ’n volledige gebeurtenis dek die veeltalige konferensiekontrolelys die klankpad, verskeie stadiums op een skakel en die begroting. Ontwikkelaars kan dit alles uit kode doen deur die API-verwysing, teen dieselfde tarief.
