Intydse transkripsie en vertaling verduidelik: hoe regstreekse spraak-na-teks werk, hoe ver agter dit loop, wat akkuraatheid bepaal en wat dit kos.
Intydse transkripsie verander spraak in teks terwyl die persoon nog praat. Woorde verskyn oomblikke nadat dit gesê is op die skerm, sit in finale reëls en kan gelees word deur enigiemand wat saamvolg. Voeg intydse vertaling by, en elke leser kan dieselfde toespraak in sy eie taal volg, as teks of hardop gelees.
Hierdie gids dek intydse transkripsie en vertaling van albei kante: wat ’n luisteraar sien, waar die oudio vandaan kan kom, wat akkuraatheid bepaal, wat ontwikkelaars van ’n API kry en wat dit kos.
Intydse transkripsie, ook regstreekse transkripsie of regstreekse spraak-na-teks genoem, is spraakherkenning wat loop terwyl die oudio nog aankom. ’n Opgeneemde lêer kan met die hele opname byderhand getranskribeer word. ’n Regstreekse transkripsie moet hom op woorde verbind met net die laaste paar sekondes om op af te gaan, en byhou met die spreker solank hy praat.
Regstreekse onderskrifte is dieselfde ding, as kort reëls oor ’n video of op ’n skerm gewys.
Op VocalStack kan ’n regstreekse transkripsie in 100 tale luister. Dit bespeur die gesproke taal vanself en volg die spreker as hy verwissel, wat hoe outomatiese taalbespeuring werk verduidelik, saam met wanneer jy die taal vooraf moet noem.
Teks kom in twee stadiums. Die nuutste woorde verskyn eerste as ’n konsep, wat nog kan verander soos meer oudio inkom. ’n Oomblik later sit die konsep in ’n finale reël wat nie weer verander nie.
Die konsep bestaan omdat ’n herkenner ’n woord deels besluit volgens wat daarop volg. “Ice cream” en “I scream” klink eenders totdat die volgende woord aankom. Om die raaiskoot vroeg te wys, laat ’n transkripsie regstreeks voel.
Hoe ver agter die spreker die teks loop, hang van die stadium af:
Twee vertragings lê buite daardie ketting. Wanneer die bron ’n openbare stroom is en nie ’n mikrofoon nie, sloer die stroom self reeds agter sy regstreekse rand: ’n sekonde of drie vir ’n gewone internetradiostroom, en enigiets van etlike sekondes tot ’n halwe minuut vir HLS. En op Pay as you go kan ’n regstreekse transkripsie tot 15 sekondes neem om te begin. Die volledige uiteensetting, insluitend die latensiemodusse Auto, Fast en Accuracy, is in vertraging by regstreekse vertaling verduidelik.
Vertaling loop bo-op die transkripsie. ’n Regstreekse transkripsie kan in tot 10 tale gelyk vertaal word, gekies uit 100. Elke luisteraar kies een daarvan op sy eie toestel en kan dit enige tyd verander; die transkripsie tot nou toe word weer in die nuwe taal gewys.
Elke taal word uit dieselfde transkripsie vertaal, so elke luisteraar kry dieselfde woorde, en ’n regstelling bereik almal.
’n Luisteraar wat liewer luister as lees, kan elke vertaalde reël hardop laat lees. By verstek kry elke spreker ’n eie standaardstem wat by sy geslag pas, sodat ’n paneel steeds soos verskeie mense klink. Met ’n spreker se toestemming kan ’n gasheer daardie spreker se stem kloon uit sowat 30 sekondes van hom wat alleen praat, en die vertaling word dan in sy eie stem gelees.
Die reël vir stemme is met opset eng. ’n Stem lees net wat dieselfde persoon gesê het, vertaal in ’n taal wat die luisteraar gekies het. Dit lees nooit teks wat iemand intik nie, en dit lees nooit een spreker se woorde in ’n ander spreker se stem nie.
Hoe dit vir ’n hele vertrek werk, van die gasheer se opstelling tot ’n laatkommer, is in een skakel, elke taal.
’n Regstreekse transkripsie het ’n oudiobron nodig. Dit is die wat VocalStack vandag aanvaar:
Onderskrifte binne YouTube se eie speler, deur sy CC-knoppie, is binnekort beskikbaar. Tot dan volg kykers van ’n YouTube-stroom die onderskrifte by die uitsendingskakel.
As jy vandag regstreekse transkripsie op Windows nodig het, werk die Chrome- of Edge-uitbreiding, die OBS-inprop en die Dashboard in ’n blaaier daar.
’n Uitsending is hoe ander mense ’n regstreekse transkripsie volg. Dit is een skakel en ’n QR-kode. Luisteraars maak dit in ’n blaaier oop, kies ’n taal en lees saam. Hulle het geen rekening nodig nie en installeer niks nie, en hulle kos niks: die rekening verander nie met die aantal luisteraars of tale nie.
’n Uitsending is by verstek openbaar en kan met ’n wagwoord beskerm word. As jy sy skakel hernoem, bly die ou een werk, sodat ’n QR-kode wat op ’n program gedruk is nie verouder nie. Een uitsending kan verskeie regstreekse transkripsies dra, sodat twee verhoë een skakel kan deel.
’n Luisteraar wat laat opdaag, sien alles wat gesê is voordat hy ingekom het, en volg dan regstreeks. Daarna wys die Audience-aansig wie geluister het, in watter taal en wanneer hulle aangesluit het.
Vir geleenthede dek die kontrolelys vir meertalige konferensies oudio, verhoë en begroting, en regstreekse transkripsie vir kerke, lesingsale en raadsale dek die weeklikse weergawe van dieselfde opstelling.
Alles hierbo kan vanuit kode gedoen word. Vir regstreekse oudio in jou eie app het die API intydse sessies: jou bediener maak een oproep na POST /v1/realtime/sessions met ’n API-sleutel en kry ’n kortlewende streamUrl terug. Jou kliënt maak ’n WebSocket daarheen oop, stuur rou oudio soos dit vasgelê word, en lees die transkripsie terug as JSON-rame.
Die rame volg dieselfde twee stadiums wat ’n leser sien. ’n transcript.draft vervang die regstreekse stert, ’n transcript.committed voeg ’n finale reël by, en met vertaling aan kom hele sinne met hul vertalings aangeheg. Teikentale, sprekeretikette en die latensiemodus kan middel in die sessie met session.update verander word.
’n Intydse sessie stoor niks nie. Wanneer jy die woorde bewaar, reggemaak en met ’n gehoor gedeel wil hê, publiseer jy die oudio eerder na ’n regstreekse transkripsie en ’n uitsending. Amptelike SDK’s vir TypeScript, Python en PHP verpak albei, en ’n MCP-bediener laat ’n KI-assistent dieselfde rekening gebruik.
Die WebSocket-handleiding bou stap vir stap ’n werkende onderskrifaansig, en die API-verwysing het elke veld. API-gebruik word teen dieselfde tarief as die Dashboard gefaktureer.
Akkuraatheid word meestal bepaal voordat enige herkenner loop, deur die oudio wat dit kry. Vier dinge maak die meeste verskil.
Die mikrofoon. ’n Mikrofoon naby die spreker, of ’n toevoer van die lokaal se mengtafel, dra die stem met min van die vertrek daarin. ’n Foon op ’n tafel hoor die spreker plus eggo, stoele en hoes. Dit is die grootste enkele faktor, en hoekom ’n foon nie genoeg is vir ’n vertrek nie verduidelik hoekom.
Geraas en oorvleueling. Agtergrondgeraas veroorsaak weggelate en uitgedinkte woorde, en twee mense wat gelyk praat, verwar beide die woorde en wie wat gesê het. Oudiotranskripsiefoute lys sewe algemene oorsake, hoe elkeen lyk en hoe om dit reg te maak.
’n Reference Script. Bekende name en terme word herken soos hulle is. ’n Maatskappy se produknaam, ’n interne akroniem of ’n gas se ongewone van kan nie vooraf geken word nie, so voeg ’n skrip of skyfies by voordat jy begin, en die name en terme daarin word presies geskryf soos jy dit gespel het.
Sprekeretikette. Etikette kan Off, On of When Needed wees, wat hulle aanskakel sodra ’n tweede spreker gehoor word. Sprekerdiarisering teenoor spraakherkenning verduidelik hoe die twee antwoorde, wat gesê is en wie dit gesê het, aparte dinge is en apart reggemaak word.
Die latensiemodus maak ook saak: Fast kry teks vinniger uit maar hersien meer daarvan, Accuracy wag ’n bietjie langer.
’n Enkele akkuraatheidsyfer sê minder as wat dit lyk. Woordfoutkoers tel ’n verkeerde naam dieselfde as ’n weggelate “die”, en daarom pleit wat woordfoutkoers meet, en wat dit mis daarvoor dat ’n stelsel beoordeel word volgens watter foute dit jou laat vang en regmaak.
Geen regstreekse transkripsie is perfek nie, so die gasheerskerm het ’n Fix-oortjie. Dit kan die woorde merk waaroor die herkenner onseker was, en enige reël kan oopgemaak en reggemaak word. ’n Tweede persoon by die tafel kan daardeur werk terwyl die spreker aangaan.
Wanneer die gasheer ’n woord of ’n reël herskryf, selfs een wat nog gesê word, sien elke luisteraar die regstelling, in elke taal. ’n Reël wat met te min vertroue gehoor is, word vir luisteraars versteek as “Audio unclear” in plaas daarvan om verkeerd gewys te word; die gasheer sien dit steeds.
Die opname word saam met sy transkripsie, regstellings en vertalings bewaar. Daarna kan jy:
Hoe lank oudio en transkripsies bewaar word, hang van die plan af, en die prysblad lys dit.
Die meeste regstreekse transkripsiehulpmiddels lyk eenders in ’n demonstrasie; die verskille wys in die vrae hieronder. Die regterkolom beskryf VocalStack soos dit vandag is.
| Vraag | Hoekom dit saak maak | VocalStack |
|---|---|---|
| Watter tale kan dit hoor? | ’n Hulpmiddel wat nie die spreker se taal kan transkribeer nie, kan nie help nie, hoe goed sy vertaling ook al is. | 100 tale, outomaties bespeur, met verwisseling middel in ’n praatjie |
| Hoe ver agter die spreker is die teks? | Lesers merk ’n groeiende gaping meer op as ’n enkele verkeerde woord. | Oorspronklike teks ’n breukdeel van ’n sekonde agter, vertaling ’n sekonde of twee later; drie latensiemodusse |
| Vertaal dit, en wie kies die taal? | Een onderskriftaal op een skerm laat almal anders uit. | Tot 10 tale per transkripsie, elke luisteraar kies syne |
| Kan dit die vertaling praat? | Sommige luisteraars kan nie saamlees nie, of verkies om nie. | Standaardstemme by verstek; ’n spreker se eie gekloonde stem met sy toestemming |
| Hoe kry die gehoor dit? | Apps en rekeninge verloor mense by die deur. | Een skakel en QR-kode, geen rekening, opsionele wagwoord |
| Kan jy foute regstreeks regmaak? | ’n Verkeerd gehoorde naam wat ’n uur lank herhaal word, doen werklike skade. | Regstreekse regstellings wat na elke luisteraar gestoot word |
| Waar kan die oudio vandaan kom? | Jou opstelling moet nie hoef te verander om by die hulpmiddel te pas nie. | Mikrofoon, blaaieruitbreidings, lessenaar-app, OBS, RTMP, stroomskakels |
| Is daar ’n API? | Jy wil dalk onderskrifte in jou eie produk hê. | REST- en WebSocket-API, SDK’s, MCP-bediener, dieselfde tarief as die Dashboard |
| Hoe word dit geprys? | Pryse per luisteraar of per sitplek groei met jou gehoor. | Per sekonde oudio; luisteraars en tale gratis |
Op VocalStack betaal jy per sekonde oudio wat getranskribeer word. Ten tye van skryf kos regstreekse transkripsie $0.60 per uur en lêers $0.20 per uur, op elke plan, in die Dashboard en deur die API ewe. Vertaling, stemme, opsommings, uitsending en luisteraars voeg nooit by die rekening nie, so ’n eenuur-praatjie wat 200 mense in vyf tale lees, kos dieselfde $0.60 as een wat niemand lees nie.
Die planne verskil op ’n paar maniere:
As niemand hoef saam te lees soos dit gebeur nie, laai die opname daarna teen die lêertarief op. Huidige pryse, bewaring en perke vir elke plan is op die prysblad.
’n Nuwe VocalStack-rekening kom met $5 aansluitkrediet en het nie ’n kaart nodig nie. Teen $0.60 per uur is dit sowat agt uur regstreekse transkripsie, met vertaling en uitsending ingesluit. Daarna betaal jy per sekonde. Luisteraars is altyd gratis.
Ja. ’n Regstreekse transkripsie kan in tot 10 tale gelyk vertaal word terwyl die persoon praat. Die vertaling verskyn ’n sekonde of twee ná die oorspronklike teks, en elke luisteraar kies sy eie taal.
Dit hang meestal van die oudio af. ’n Nabye mikrofoon of ’n toevoer van die tafel, min agtergrondgeraas, een persoon wat op ’n slag praat en ’n Reference Script met die name daarin gee die beste resultate. Met regstreekse regstellings kan ’n gasheer regmaak wat nog verkeerd is terwyl die praatjie voortgaan.
Die teks in die oorspronklike taal volg die spreker met ’n breukdeel van ’n sekonde, en vertalings volg ’n sekonde of twee later. ’n Openbare stroom voeg sy eie vertraging by voordat die oudio VocalStack bereik.
Ja, deur die Chrome- of Edge-uitbreiding, die OBS Studio-inprop of die Dashboard in ’n blaaier. Die lessenaar-app is vandag op macOS, met Windows wat binnekort kom.
Nee. Luisteraars maak die uitsendingskakel oop of skandeer sy QR-kode in ’n blaaier, kies ’n taal en lees. Daar is niks om te installeer nie.
Maak die Dashboard oop, begin ’n regstreekse transkripsie vanaf jou mikrofoon en maak sy uitsendingskakel op jou foon oop. Die aansluitkrediet dek jou eerste ure, en jy kan self sien hoe die konsepte sit en die vertaling volg.