لا تحتاج القاعة متعددة اللغات إلى كابينة لكل لغة. إنها تحتاج إلى خرج صوتي نظيف واحد من طاولة المزج، ورابط واحد يفتحه الجمهور على هواتفه، وطريقة لتصحيح اسم أُسيء سماعه بينما ما زال الحديث جاريًا.
للمحاضرة والخطبة والدرس وجلسة المجلس الواحد متحدّث واحد، وجمهور لا يفكّر جميعه بتلك اللغة. والحلول المعتادة إما مكلفة، وإما ناقصة، وإما فردية لا تشترك فيها القاعة.
الحل المكلف هو مترجم فوري لكل لغة. وحتى مع مترجم لكل لغة، يصبح الأمر كابينة ترجمة وأجهزة استقبال ومختص لكل لغة في القاعة، والمترجمون لا يقولون الشيء نفسه. فكل مترجم يتخذ خياراته تحت ضغط الوقت: أي كلمة يختار للمصطلح، وما يختصره، وما يُسقطه حين يسرع المتحدث. في الحديث العادي لا تهم هذه الفروق كثيرًا. أما في جلسة قضائية، أو تصويت في المجلس، أو إحاطة تقنية، فهي مهمة: قد يصل مصطلح محدّد، أو جرعة دواء، أو بند في عقد، إلى المستمعين الفرنسيين بمعنى، وإلى المستمعين العرب بمعنى آخر، ولا يكون أحد في القاعة في موقع يتيح له ملاحظة ذلك. أما الحل الجزئي فهو شريط ترجمة على شاشة واحدة، بلغة ثانية واحدة فقط. والحل الفردي هو أن يرفع خمسون شخصًا هواتفهم نحو المتحدث: خمسون نصًا مفرّغًا كلٌّ منها خاطئ قليلًا، إذ يلتقط كل هاتف الصدى والسعال بوضوح لا يقل عن وضوح صوت المتحدث.
البديل أن يُفرَّغ كلام المتحدث مرة واحدة من مصدر نظيف، ثم تُترجم هذه النسخة الواحدة إلى ما يحتاجه الجمهور، فتنطلق كل لغة من الكلمات نفسها، ويختار كل مستمع لغته على جهازه. ويُحفظ التسجيل بعد انتهاء الفعالية. وفيما يلي كيف يُعدّ المضيف والمستمع كلٌّ منهما الخدمة، وما تكلّفه.
يمكن للتفريغ النصي المباشر أن يستمع إلى ميكروفون على أي جهاز، أو إلى بث RTMP من OBS أو من أي مُشفّر آخر يقبل عنوان خادم ومفتاح بث، أو إلى بث مباشر على YouTube، أو إلى محطة راديو عبر الإنترنت، أو إلى أي رابط يقدّم بثًا. وفي حالة البث، يسحب VocalStack الصوت بنفسه، فلا يعمل شيء من جهتك.
المصدر أهم من أي إعداد. فميكروفون القاعة، أو هاتف موضوع على طاولة، يسمع المتحدث والقاعة معًا: الصدى المرتد عن الجدران والكراسي والجمهور. ويتراجع التعرّف على الكلام بشدة كلما صار الصوت أخفت بالنسبة إلى هذه الضوضاء، ولهذا تختلف تلك الهواتف الخمسون فيما بينها. أما الخرج من طاولة المزج فيحمل ميكروفون المتحدث نفسه مع قدر قليل من القاعة، فيتبع النص المتحدثَ لا القاعة. فإن كان في المكان طاولة مزج، فخذ الخرج منها.
تُكتشف لغة الكلام تلقائيًا، ويمكن للمتحدث أن يغيّرها في أي وقت. وتسمية اللغة مسبقًا تفيد في التسجيلات الصاخبة وفي اللهجات الثقيلة. ويمكن أن تكون تسميات المتحدثين معطّلة، أو مفعّلة، أو When Needed، وهو خيار يفعّلها متى سُمع متحدث ثانٍ. وما إن يبدأ الصوت بالوصول، حتى يحتاج الجمهور إلى مكان يجده فيه.
البثّ هو الرابط: عنوان واحد ورمز QR يمسحه المستمعون لفتح الترجمة المباشرة واختيار لغتهم. ويُبنى الرابط من الاسم الذي تعطيه للبثّ. وإن أعدت تسميته لاحقًا، ظلّ الرابط القديم يعمل، فلا يتقادم رمز QR المطبوع على البرنامج.
البثّ عامّ افتراضيًا: يستطيع أي شخص يملك الرابط فتحه. وإن جعلته خاصًا وحدّدت له كلمة مرور، يُطلب من المستمعين إدخالها قبل ظهور النص المُفرَّغ.
يمكن أن يغذّي البثّ الواحد عدة تفريغات مباشرة، فمؤتمر فيه منصتان ما زال يشارك رابطًا واحدًا. الرابط يُدخل الناس، وما يُبقيهم هو إصابة الأسماء الصحيحة.
تُدرَّب أنظمة التعرّف على الكلام على طريقة حديث الناس المعتادة، فإذا كان الصوت ملتبسًا تلجأ إلى الكلمة الشائعة. اسم منتج، أو لقب، أو قرية، أو مادة كيميائية: لكل منها شبيه صوتي أكثر شيوعًا، وهو ما يخرج في النص ما لم يُخبَر المتعرّف بأن الكلمة النادرة قادمة. وهذا ما يُعدّ له النص المرجعي. أضف نصًا أو شرائح قبل البدء، فتتقدّم الأسماء والمصطلحات الواردة فيه على ما أُسيء سماعه. وهذه الأسماء والمصطلحات هي موضع الخلل المعتاد في التعرّف في المحاضرات المتخصصة. وأثناء التسجيل يتابع تبويب Script الكلام كجهاز الإلقاء، فيضيء الكلمات التي قيلت حتى الآن.
هذا كل ما في الإعداد. وفي الجهة الأخرى من الرابط، يكون المطلوب أقل من ذلك.
يحتاج المستمع إلى رابط أو رمز QR، وإلى هاتف. يفتح الرابط في المتصفح، فيرى لم يبدأ البث بعد إلى أن يضغط المضيف زر التسجيل، ثم يظهر مباشر. تظهر أول جملة خلال لحظات. يختار من اللغات التي اختارها المضيف (حتى 10 لكل تفريغ، من أصل 100 لغة متاحة)، ويقرأ النص أثناء كلام المتحدث. ويواصل المضيف الكلام بلغته. ويستطيع المستمع أن يغيّر لغته في أي وقت، فيُعرض النص حتى تلك اللحظة من جديد باللغة الجديدة.
إن كان المستمع يفضّل الاستماع، يُقرأ كل سطر مترجم بصوت مسموع. وافتراضيًا يحصل كل متحدث على صوت جاهز مميز يطابق جنسه، فتبقى الحلقة النقاشية حلقة نقاشية في سماعها.
تجري المراحل الثلاث بالترتيب، وتنتظر كل مرحلة التي قبلها. فالتعرّف يحتاج إلى مقطع من الكلام قبل أن يحسم الكلمات، لذا يتأخر النص عن المتحدث بجزء من الثانية. والترجمة تحتاج إلى عبارة كاملة، لأن ترتيب الكلمات يختلف بين اللغات وقد تغيّر نهاية الجملة أولها، فتلحق بعد ثانية أو ثانيتين. والكلام المنطوق يحتاج إلى الجملة المترجمة قبل أن يبدأ، فيأتي السطر المنطوق في الأخير. وليس في هذا عيب يُضبط؛ فهو ما يلزم أي نظام يقوم بهذه المهام الثلاث، حتى المترجم البشري، الذي ينتظر هو أيضًا الفعل.
وبإذن المتحدث، يستطيع المضيف أن يستنسخ صوته من ثلاثين ثانية يتكلم فيها وحده (بصيغة MP3 أو M4A أو WAV، ودقائق قليلة أفضل). ثم تُقرأ الترجمة بصوت المتحدث نفسه في كل لغة. ولتعامل الصوت بوصفه ما هو عليه من بيانات بيومترية. فبموجب اللائحة العامة لحماية البيانات الأوروبية (GDPR)، تندرج بيانات الصوت المعالجة للتعرّف على شخص ما عادةً ضمن الفئات الخاصة في المادة 9، وتنظّم بعض الولايات الأمريكية، ومنها إلينوي، بصمات الصوت بشكل منفصل. احصل على موافقة المتحدث الصريحة قبل تسجيل العينة، لا بعده، ويمكن حذف الصوت في أي وقت. كما أن الاستنساخ يسجّل المتحدث في النظام، فيُوسم باسمه في التسجيلات القادمة. ويستطيع المضيف أن يخصص صوتًا لكل متحدث، أو أن يكتم صوت أحدهم.
يرى المستمع الذي يصل متأخرًا كل ما قيل قبل دخوله، ثم يتابع مباشرةً. وإن انقطع الاتصال، تلحق الصفحة بالنص من تلقاء نفسها حين يعود الاتصال. وعندما يوقف المضيف البث مؤقتًا، يرى المستمعون متوقف مؤقتًا. يستمر النص عندما يستأنف المضيف البث. وعندما يوقفه المضيف نهائيًا، تعرض الصفحة تاريخ التسجيل ومدته، ويسرد البثّ تسجيلاته السابقة لإعادة تشغيلها.
لا يستطيع المستمع أن يقرأ إلا ما سمعه المحرك، والتعرّف المباشر يخطئ في بعضه.
لهذا الغرض تحديدًا تضم شاشة المضيف تبويب Fix. ويلوّن Mark uncertain words الكلمات التي لم يكن المحرك واثقًا منها ويضع تحتها خطًا، أما Click to correct فيفتح السطر للمراجعة. ويمرّ التبويب على المقاطع غير المؤكدة واحدًا تلو الآخر، فيستطيع شخص ثانٍ على الطاولة أن يعالجها بينما يواصل المتحدث كلامه.
وحين يعيد المضيف كتابة كلمة أو سطر، حتى لو كان ما يزال يُقال، يرى كل مستمع التصحيح. أما السطر الذي تكون ثقته منخفضة جدًا فيُخفى عن المستمعين ويظهر بعبارة الصوت غير واضح بدلًا من أن يظهر خاطئًا؛ ويبقى المضيف يرى كل كلمة. والفراغ فجوة معروفة، أما الكلمة الخاطئة الواثقة فإشاعة.
ولا تزول هذه التصحيحات حين تنتهي المحاضرة.
كل شيء يُحفظ. فالتسجيل ونصه المُفرَّغ مع التصحيحات والترجمات، والصوت، كلها تُودَع في مكتبة المضيف. وتُعيد إعادة التشغيل عرض ما جرى كما وصل تمامًا، سطرًا بسطر مع صوته. وبمجرد أن تستقر الكلمات، يُكتب عنوان وملخص بكل لغة، ويحمل تبويبا Summary وExport في شاشة المضيف ذلك مباشرة خارج الفعالية.
تُصدَّر النسخ كترجمات SRT أو PDF أو Excel أو JSON، مع التصحيحات والترجمات، ويُنزَّل الصوت بصيغة MP3. ويمكن البحث في كل نص مُفرَّغ بأي لغة.
يعرض Audience من استمع، وبأي لغة، ومتى انضم، وغالبًا ما يكون هذا أول عدّ حقيقي يحصل عليه المنظّم لمعرفة من يحتاج إلى أي لغة. فحتى ذلك الحين كان التقدير المعتاد يقوم على من يرفع يده حين يُسأل بالإنجليزية عمّن يحتاج إلى ترجمة. وتُحذف معرّفات المستمعين مع التسجيل.
تعمل خدمات التعرّف على الكلام، والتعرّف على المتحدثين، وتوليد الصوت على خوادم نشغّلها بأنفسنا، ولا يُرسل صوتك إلى أي طرف ثالث للمعالجة. ولا نستخدم صوتك ولا نصوصك المُفرَّغة ولا أصواتك في تدريب النماذج.
مدة الاحتفاظ تتبع الخطة: في الدفع حسب الاستخدام يُحتفظ بالصوت الأصلي والأصوات لمدة 7 أيام، والتفريغات لمدة 30 يومًا؛ أما Premium وEnterprise فيحتفظان بها طوال عمر الحساب. والشيء الآخر الذي تحدده الخطة هو الفاتورة.
رقمان يهمّان. في الدفع حسب الاستخدام وفي Premium، يكلّف التفريغ النصي المباشر $0.60 للساعة من الصوت، ويُحتسب بالثانية مع حدّ أدنى 5 دقائق لكل تفريغ، سواء في لوحة التحكم أو عبر API. أما Enterprise فله أسعار حجمية. والمستمعون واللغات مجانًا: فعالية مدتها ساعة تُقرأ بخمس لغات ويحضرها مئتا شخص تكلّف $0.60. والملفات أرخص ($0.20 للساعة)، لأن التفريغ المباشر يعمل في الزمن الفعلي طوال الفعالية كلها. وتختلف الخطط في عدد الجلسات المتزامنة، والحد الأقصى لمدة التسجيل، وسرعة البدء؛ ففي الدفع حسب الاستخدام قد يستغرق البدء البارد حتى 15 ثانية، لذا اضغط زر التسجيل قبل أن يبدأ المتحدث بقليل، بمقدار جملة «هل يسمعني الجميع في الخلف؟» تقريبًا. والجدول الكامل موجود في صفحة الأسعار.
تحتوي الصفحة الرئيسية على عرض توضيحي بهاتفين، ويأتي الحساب الجديد في لوحة التحكم برصيد تسجيل بقيمة $5 دون الحاجة إلى بطاقة. وبالسعر المباشر، يغطي هذا الرصيد أكثر من ثماني ساعات من البث.
تحتار بين هذا والترجمة المباشرة المدمجة في هاتف كل شخص؟ اقرأ لماذا لا يكفي الهاتف للترجمة المباشرة في القاعة. وللفعالية الكاملة، تغطي قائمة مراجعة للمؤتمرات متعددة اللغات مسار الصوت، والمراحل المتعددة على رابط واحد، والميزانية. ويستطيع المطورون تنفيذ كل ذلك من الكود عبر مرجع API، وبالسعر نفسه.
