Die akkuraatheid van regstreekse vertaling word meestal bepaal voordat enige model loop, deur waar die mikrofoon is. Neem die oudio van die mengtafel, nie van ’n sitplek in ry twaalf nie, transkribeer dit een keer, en ’n fout word een reël wat iemand vir almal kan regstel.
Die vertaalprogramme wat in fone ingebou is, is ’n regte prestasie. Hulle loop dikwels op ’n spraakmodel wat klein genoeg is om in die toestel en sy battery te pas (sommige stuur die oudio na ’n bediener as daar ’n verbinding is), en vir kort, duidelike, alledaagse sinne doen hulle die werk: vra vir rigting, lees ’n spyskaart, ’n gesprek oor ’n toonbank.
’n Kamer vol mense wat na een spreker luister, is ’n ander probleem. Die dinge wat in regte spraak verkeerd loop, is presies die dinge waarmee ’n klein model die swakste vaar: ongewone woorde en name, woorde wat na mekaar klink (“their” en “there”, “sail” en “sale”), tegniese terme, aksente, mense wat oor mekaar praat, en agtergrondgeraas. By ’n seilklub is ’n model wat “sale” hoor, ’n redelike raaiskoot en ’n selfversekerde fout.
Twee dinge laat die klein model meer raai as ’n groot een. Dit is saamgepers om in die foon te pas, so dit ken minder woorde en minder maniere om hulle te sê; dit benader ’n van wat dit nog nie teëgekom het nie, net uit die klanke. En regstreekse herkenning moet ’n woord kies voordat die res van die sin aankom, so die model kan nie gebruik maak van wat “sail” van “sale” sou besleg het nie: die woorde wat volg, of ’n draaiboek wat sê waaroor die praatjie gaan. In spraakherkenning beteken konteks presies daardie twee dinge: die omliggende woorde, en wat vooraf bekend is.
Wanneer die model nie seker is nie, raai dit. Die vertaling word dan op die raaiskoot gebou, en die persoon wat dit lees, het geen manier om te weet nie. Niemand in die kamer kan sien dat ’n reël verkeerd was nie, laat staan dit regstel. En ’n kamer is nie een luisteraar nie, maar vyftig.
’n Foon hoor die kamer, nie die spreker nie. Afstand is die rede: ’n knoopmikrofoon of tafelmikrofoon sit ’n paar sentimeter van die mond af, terwyl ’n foon in ry twaalf tien meter of meer weg is, en die meeste van wat dit bereik, het eers van die mure, die plafon en die rugleunings van stoele weggekaats. Gekaatste klank kom laat en uitgesmeer aan. Daarbo tel die foon die persoon op wat twee rye terug hoes, die gemurmer van ’n buurman, en wat die luidsprekers met die stem doen op pad oor die saal. Elke sitplek kry dus ’n effens ander opname, en elke sitplek kry dus ’n effens ander transkripsie.
’n Foon vertaal ook net vir een persoon. Vyftig deelnemers wat vyftig fone optel, lewer vyftig onafhanklike transkripsies van dieselfde praatjie, met vyftig verskillende stelle foute. Twee mense wat ná afloop notas vergelyk, sal nie saamstem oor wat gesê is nie. Die spreker praat intussen met ’n muur van opgetilde fone, wat ’n moeilike gehoor is om te lees.
Vir sommige mense in die kamer is dit meer as ’n ongerief; dit besluit of hulle die praatjie tóé kan volg. ’n Persoon met gehoorverlies, of iemand wat in ’n derde taal volg, het een korrekte gedeelde teks nodig, nie vyftig beste pogings nie. Dit beteken om die spreker een keer te transkribeer en almal dieselfde resultaat te gee. Eenmalige transkribering help net as dit goed gedoen word, en dit begin by waar die oudio vandaan kom.
Die transkripsie is net so goed as die oudio waarvan dit gemaak is. Die eerste besluit is dus nie watter model om te gebruik nie, maar watter sein om te voer. Die tweede is wat om vir die model te sê voordat dit begin.
’n Regstreekse transkripsie neem sy oudio waar die skoon sein al is:
VocalStack trek self ’n URL-stroom, so niks loop aan jou kant nie. ’n RTMP-stroom werk andersom: jou enkodeerder stoot dit. Die spreker se taal word outomaties opgespoor, en hulle mag op enige tyd van taal wissel. As jy die taal ken en die opname raserig is of ’n sterk aksent het, verbeter dit die akkuraatheid om dit te noem.
Skoon oudio verwyder die foute wat deur die kamer veroorsaak word. Dit doen niks vir die foute wat deur woordeskat veroorsaak word nie, en daardie het ’n ander soort hulp nodig.
’n Foon het geen idee wie praat of waaroor die praatjie gaan nie, so ’n produknaam of van is net nog ’n klank om te benader. ’n Uitsending kan vooraf vertel word wat om te verwag.
As jy ’n skrif of skyfies byvoeg voordat jy begin, wen die name en terme daarin bo wat die enjin verkeerd gehoor het. Tydens die opname volg die Script tab die spreker soos ’n teleprompter. Dit is die enkele grootste akkuraatheidswins vir die soort spraak wat konferensies en lesings vul: dig met eiename en woordeskat wat geen algemene model dikwels genoeg gehoor het nie.
Goeie oudio en ’n woordlys verwyder die meeste foute. Die vraag is wat met die foute gebeur wat oorbly.
Selfs met goeie oudio en ’n skrif sal sommige reëls verkeerd uitkom. Die verskil is wat daarna gebeur.
Op ’n foon gebeur niks nie. Die verkeerde reël rol verby, en die vertaling wat daarop gebou is, gaan saam.
In ’n uitsending word ’n reël wat te onduidelik is om te wys, vir luisteraars as “Audio unclear” versteek in plaas van dat dit as feit voorgehou word.
Dan is daar die gasheer, wat ’n Fix tab het: die woorde waarin die enjin onseker was, kan gekleur en onderstreep word, ’n klik maak ’n reël oop vir nasien, en enige woord of reël kan herskryf word terwyl die transkripsie nog regstreeks is. Elke luisteraar sien die regstelling in hul eie taal. Elke regstelling word gemerk en kan ongedaan gemaak word.
Die punt is nie dat ’n bediener nooit foute maak nie. Dit is dat ’n fout sigbaar is, deur iemand in die kamer besit word, en een keer vir almal reggemaak word.
Regstellings korrigeer wat luisteraars lees. Luisteraars wat eerder die praatjie wil hoor, kry dieselfde reggemaakte teks, uitgespreek.
’n Luisteraar wat eerder luister as lees, kan elke vertaalde reël hardop laat voorlees. By verstek kry elke spreker ’n afsonderlike standaardstem van ooreenstemmende geslag, sodat ’n paneel steeds soos ’n paneel klink. Jy kan ’n stem aan elke spreker toewys, of een demp.
Met die spreker se toestemming kan jy verder gaan en hul stem kloon uit dertig sekondes van hul spraak, hetsy as ’n opgelaaide snit of direk van ’n spreker in ’n opname geneem; ’n paar minute gee ’n beter resultaat. Die vertaling word dan in die spreker se eie stem in elke taal gelees. ’n Spreker met ’n gestoorde stem kan ook in latere opnames herken word, al verkies die stelsel om ’n spreker onbenoem te laat as om die verkeerde persoon te noem.
Twee reëls geld, en hulle is doelbewus. ’n Gekloonde stem is biometriese data: dit word net gemaak met die spreker se uitdruklike instemming en kan enige tyd uitgevee word. En ’n stem praat ooit net ’n transkripsie of sy vertaling; dit kan nie gedwing word om iets te sê wat sy eienaar nooit gesê het nie.
Alles tot dusver gebeur terwyl die spreker praat. Die laaste verskil wys wat ná hulle ophou.
Die vyftig foontranskripsies verdamp wanneer die programme toemaak. ’n Uitsending hou die opname in jou biblioteek: die oudio, en die transkripsie met elke regstelling en vertaling. Daar kan dit reël vir reël herspeel word, in enige taal deursoek word en uitgevoer word; die stap-vir-stap-gids in Een skakel, elke taal dek wat die biblioteek doen. Luisteraars kos niks nie, hoeveel daar ook is. Jy betaal vir die oudio wat getranskribeer word, teen $0.60 per uur vir regstreeks, met ’n 5-minuut-minimum per transkripsie, en die prysbladsy het die tariefkaart.
Foonprogramme bly ’n goeie terugvalplan vir ’n gangpadgesprek. Vir ’n kamer wat een spreker saam moet verstaan, moet die spreker een keer getranskribeer word, van die bron af, met iemand wat kan regstel wat verkeerd gaan. Jy kan sien hoe dit lyk in die interaktiewe demo op die tuisblad.
