التفريغ والترجمة الفورية: كيف يعمل تحويل الكلام إلى نص مباشرةً، وكم يتأخر، وما الذي يؤثر في الدقة، وكم يكلّف.
التفريغ الفوري يحوّل الكلام إلى نص بينما الشخص لا يزال يتحدث. تظهر الكلمات على الشاشة بعد لحظات من نطقها، وتستقر في أسطر نهائية، ويستطيع أي متابع قراءتها. وبإضافة الترجمة الفورية يستطيع كل قارئ متابعة الكلام نفسه بلغته، نصًا أو مسموعًا.
يتناول هذا الدليل التفريغ والترجمة الفورية من الجانبين: ما يراه المستمع، ومن أين يمكن أن يأتي الصوت، وما الذي يحدد الدقة، وما يحصل عليه المطوّرون من API، وما يكلّفه كل ذلك.
التفريغ الفوري، ويسمى أيضًا التفريغ المباشر أو تحويل الكلام إلى نص مباشرةً، هو تعرّف على الكلام يعمل بينما الصوت لا يزال يصل. أما الملف المسجَّل فيمكن تفريغه والتسجيل كله بين يديك. وأما التفريغ المباشر فعليه أن يلتزم بكلمات لا يعتمد فيها إلا على الثواني الأخيرة، وأن يواكب المتحدث ما دام يتحدث.
والترجمة النصية المباشرة هي الشيء نفسه معروضًا في أسطر قصيرة فوق فيديو أو على شاشة.
يستطيع التفريغ المباشر في VocalStack الاستماع بـ100 لغة. يكتشف اللغة المنطوقة بنفسه ويتبع المتحدث إن بدّلها، وهذا ما يشرحه كيف يعمل الاكتشاف التلقائي للغة، مع متى تسمّي اللغة مسبقًا.
يصل النص على مرحلتين. تظهر أحدث الكلمات أولًا كمسودة، ويمكن أن تتغير مع وصول المزيد من الصوت. وبعد لحظة تستقر المسودة في سطر نهائي لا يتغير بعد ذلك.
والمسودة موجودة لأن نظام التعرّف يقرر كلمة ما بحسب ما يليها جزئيًا. فـ«ice cream» و«I scream» يتشابهان في السمع حتى تصل الكلمة التالية. وعرض التخمين مبكرًا هو ما يجعل النص يبدو حيًا.
ويعتمد مقدار تأخر النص عن المتحدث على المرحلة:
وهناك تأخيران خارج هذه السلسلة. حين يكون المصدر بثًّا عامًا لا ميكروفونًا، فإن البث نفسه متأخر عن حافته المباشرة: ثانية أو ثلاث لبث إذاعة إنترنت عادي، وما بين عدة ثوانٍ ونصف دقيقة لـ HLS. وعلى Pay as you go قد يستغرق بدء التفريغ المباشر حتى 15 ثانية. والتفصيل الكامل، بما في ذلك أوضاع التأخير Auto وFast وAccuracy، في شرح زمن التأخر في الترجمة الفورية.
تعمل الترجمة فوق النص. يمكن ترجمة تفريغ مباشر إلى حتى 10 لغات في آن واحد، تُختار من بين 100. ويختار كل مستمع إحداها على جهازه ويستطيع تغييرها في أي وقت؛ ويُعرض النص حتى تلك اللحظة من جديد باللغة الجديدة.
وتُترجم كل لغة من النص نفسه، فيحصل كل مستمع على الكلمات نفسها، ويصل أي تصحيح إليهم جميعًا.
ويستطيع المستمع الذي يفضّل الاستماع على القراءة أن تُقرأ له كل جملة مترجمة بصوت عالٍ. افتراضيًا يحصل كل متحدث على صوت جاهز مميز يطابق جنسه، فتبدو الندوة كأنها عدة أشخاص. وبموافقة المتحدث يستطيع المضيف استنساخ صوته من نحو 30 ثانية من حديثه وحده، فتُقرأ الترجمة بصوته هو.
والقاعدة في الأصوات ضيقة عمدًا. الصوت لا يقرأ إلا ما قاله الشخص نفسه، مترجمًا إلى لغة اختارها المستمع. ولا يقرأ أبدًا نصًا يكتبه أحد، ولا يقرأ كلام متحدث بصوت متحدث آخر.
وكيف يعمل ذلك لقاعة كاملة، من إعداد المضيف إلى المستمع المتأخر، في رابط واحد بكل اللغات.
يحتاج التفريغ المباشر إلى مصدر صوت. هذه هي المصادر التي تقبلها VocalStack اليوم:
الترجمة النصية داخل مشغّل YouTube نفسه، عبر زر CC فيه، قادمة قريبًا. وإلى ذلك الحين يتابع مشاهدو بث YouTube الترجمة عند رابط البث.
وإن كنت بحاجة إلى تفريغ مباشر على ويندوز اليوم، فإضافة Chrome أو Edge وإضافة OBS وDashboard في متصفح كلها تعمل هناك.
البث هو الطريقة التي يتابع بها الآخرون تفريغًا مباشرًا. هو رابط واحد ورمز QR. يفتحه المستمعون في متصفح ويختارون لغة ويقرؤون. لا يحتاجون إلى حساب ولا يثبّتون شيئًا، ولا يكلّفون شيئًا: فالفاتورة لا تتغير بعدد المستمعين أو اللغات.
والبث عام افتراضيًا ويمكن حمايته بكلمة مرور. وإن أعدت تسمية رابطه فسيظل القديم يعمل، فلا يتقادم رمز QR المطبوع على برنامج. ويمكن لبث واحد أن يحمل عدة تفريغات مباشرة، فتتشارك منصتان رابطًا واحدًا.
والمستمع الذي يصل متأخرًا يرى كل ما قيل قبل دخوله، ثم يتابع مباشرة. وبعد ذلك تعرض شاشة Audience من استمع، وبأي لغة، ومتى انضم.
وللفعاليات، تغطي قائمة مراجعة المؤتمر متعدد اللغات الصوت والمنصات والميزانية، ويغطي التفريغ المباشر للكنائس وقاعات المحاضرات وقاعات المجالس النسخة الأسبوعية من الإعداد نفسه.
يمكن فعل كل ما سبق من الشيفرة. ولصوت مباشر في تطبيقك، يوفّر API جلسات فورية: يجري خادمك استدعاءً واحدًا إلى POST /v1/realtime/sessions بمفتاح API، ويحصل على streamUrl قصير العمر. يفتح عميلك WebSocket إليه، ويرسل الصوت الخام أثناء التقاطه، ويقرأ النص عائدًا كإطارات JSON.
وتتبع الإطارات المرحلتين اللتين يراهما القارئ. يستبدل transcript.draft الذيل الحي، ويضيف transcript.committed سطرًا نهائيًا، ومع تفعيل الترجمة تصل جمل كاملة مع ترجماتها المرفقة. ويمكن تغيير اللغات المستهدفة وتسميات المتحدثين ووضع التأخير أثناء الجلسة عبر session.update.
ولا تخزّن الجلسة الفورية شيئًا. وحين تريد حفظ الكلمات وتصحيحها ومشاركتها مع جمهور، فإنك تنشر الصوت إلى تفريغ مباشر وبث بدلًا من ذلك. وتغلّف حزم SDK الرسمية لـ TypeScript وPython وPHP الاثنين، ويتيح خادم MCP لمساعد ذكاء اصطناعي استخدام الحساب نفسه.
يبني شرح WebSocket التعليمي عرض ترجمة نصية يعمل خطوة بخطوة، وفي مرجع API كل حقل. ويُحاسَب استخدام API بالسعر نفسه الذي في Dashboard.
تتحدد الدقة في معظمها قبل أن يعمل أي نظام تعرّف، بحسب الصوت الذي يُعطاه. وأربعة أمور هي الأكثر تأثيرًا.
الميكروفون. الميكروفون القريب من المتحدث، أو الصوت من طاولة المزج في المكان، يحمل الصوت وفيه القليل من القاعة. أما هاتف على طاولة فيسمع المتحدث مع الصدى والكراسي والسعال. وهذا أكبر عامل وحده، ويشرح لماذا لا يكفي الهاتف لقاعة السبب.
الضجيج والتداخل. الضجيج في الخلفية يسبّب كلمات ساقطة وأخرى مخترعة، وتحدّث شخصين معًا يربك الكلمات ومن قالها. ويسرد أخطاء تفريغ الصوت سبعة أسباب شائعة، وكيف يبدو كل منها وكيف يُصلح.
نص مرجعي (script). الأسماء والمصطلحات المعروفة تُتعرَّف كما هي. أما أسماء منتجات شركة، أو اختصار داخلي، أو لقب ضيف غير مألوف فلا يمكن معرفتها مسبقًا، لذا أضف نصًا مرجعيًا أو شرائح قبل أن تبدأ، فتُكتب الأسماء والمصطلحات الواردة فيها تمامًا كما كتبتها.
تسميات المتحدثين. يمكن أن تكون التسميات Off أو On أو When Needed، وهذه تفعّلها حين يُسمع متحدث ثانٍ. ويشرح فصل المتحدثين مقابل التعرف على الكلام كيف أن الإجابتين، ما قيل ومن قاله، منفصلتان وتُصلحان على حدة.
ولوضع التأخير أهميته أيضًا: Fast يُخرج النص أبكر لكنه يراجع جزءًا أكبر منه، وAccuracy ينتظر أطول قليلًا.
ورقم الدقة الواحد يقول أقل مما يبدو. فمعدل خطأ الكلمات يحتسب الاسم الخاطئ مثل «the» الساقطة، ولهذا يدعو ما يقيسه معدل خطأ الكلمات وما يفوّته إلى الحكم على النظام بالأخطاء التي يتيح لك التقاطها وإصلاحها.
لا يوجد نص مباشر مثالي، ولذلك تحتوي شاشة المضيف على علامة تبويب Fix. يمكنها تعليم الكلمات التي لم يتأكد منها نظام التعرّف، ويمكن فتح أي سطر وتصحيحه. ويستطيع شخص ثانٍ عند الطاولة أن يعمل عليها بينما يواصل المتحدث.
وحين يعيد المضيف كتابة كلمة أو سطر، حتى لو كان لا يزال يُنطق، يرى كل مستمع التصحيح بكل لغة. والسطر الذي سُمع بثقة ضعيفة جدًا يُخفى عن المستمعين ويظهر «Audio unclear» بدل أن يظهر خاطئًا؛ ويظل المضيف يراه.
يُحفظ التسجيل مع نصه وتصحيحاته وترجماته. وبعد ذلك تستطيع:
وتعتمد مدة حفظ الصوت والنصوص على الخطة، وتسردها صفحة الأسعار.
تبدو معظم أدوات التفريغ المباشر متشابهة في العرض التجريبي؛ والفروق تظهر في الأسئلة أدناه. العمود الأيمن يصف VocalStack كما هي اليوم.
| السؤال | لماذا يهم | VocalStack |
|---|---|---|
| ما اللغات التي يستطيع سماعها؟ | أداة لا تفرّغ لغة المتحدث لا تنفع، مهما كانت ترجمتها جيدة. | 100 لغة، تُكتشف تلقائيًا، مع التبديل في منتصف الحديث |
| كم يتأخر النص عن المتحدث؟ | يلاحظ القراء الفجوة المتنامية أكثر من كلمة خاطئة عابرة. | النص الأصلي متأخر جزءًا من الثانية، والترجمة بعد ثانية أو ثانيتين؛ ثلاثة أوضاع تأخير |
| هل يترجم، ومن يختار اللغة؟ | لغة ترجمة واحدة على شاشة واحدة تُقصي الجميع. | حتى 10 لغات لكل تفريغ، وكل مستمع يختار لغته |
| هل يستطيع نطق الترجمة؟ | بعض المستمعين لا يستطيعون القراءة معنا، أو يفضّلون ألّا يفعلوا. | أصوات جاهزة افتراضيًا؛ وصوت المتحدث المستنسخ بموافقته |
| كيف يصل الجمهور إليه؟ | التطبيقات والحسابات تفقدك الناس عند الباب. | رابط واحد ورمز QR، بلا حساب، وكلمة مرور اختيارية |
| هل تستطيع إصلاح الأخطاء مباشرةً؟ | اسم مسموع خطأً يتكرر ساعة كاملة يُحدث ضررًا حقيقيًا. | تصحيحات حية تُدفع إلى كل مستمع |
| من أين يمكن أن يأتي الصوت؟ | يجب ألّا يضطر إعدادك إلى التغيّر ليلائم الأداة. | ميكروفون، إضافات المتصفح، تطبيق سطح المكتب، OBS، RTMP، روابط البث |
| هل هناك API؟ | قد تريد ترجمة نصية داخل منتجك أنت. | REST وWebSocket API، وحزم SDK، وخادم MCP، بالسعر نفسه في Dashboard |
| كيف يُسعَّر؟ | التسعير بحسب المستمع أو المقعد ينمو مع جمهورك. | بحسب ثانية الصوت؛ المستمعون واللغات مجانًا |
في VocalStack تدفع بحسب ثانية الصوت المفرَّغ. وقت كتابة هذا المقال، يكلّف التفريغ المباشر $0.60 للساعة والملفات $0.20 للساعة، على كل الخطط، في Dashboard وعبر API على حد سواء. والترجمة والأصوات والملخصات والبث والمستمعون لا تضيف إلى الفاتورة أبدًا، فحديث من ساعة يقرؤه 200 شخص بخمس لغات يكلّف $0.60 نفسها كما لو لم يقرأه أحد.
وتختلف الخطط في بعض الأمور:
وإن لم يكن أحد بحاجة إلى القراءة أثناء الحدث، فارفع التسجيل بعده بسعر الملفات. والأسعار الحالية وفترات الحفظ والحدود لكل خطة في صفحة الأسعار.
يأتي حساب VocalStack الجديد مع رصيد تسجيل $5 ولا يطلب بطاقة. وبسعر $0.60 للساعة هذا نحو ثماني ساعات من التفريغ المباشر، والترجمة والبث مشمولان. وبعد ذلك تدفع بحسب الثانية. والمستمعون مجانيون دائمًا.
نعم. يمكن ترجمة تفريغ مباشر إلى حتى 10 لغات في آن واحد بينما الشخص يتكلم. تظهر الترجمة بعد النص الأصلي بثانية أو ثانيتين، ويختار كل مستمع لغته.
تعتمد في معظمها على الصوت. ميكروفون قريب أو صوت من الطاولة، وضجيج خلفية قليل، وشخص واحد يتكلم في كل مرة، ونص مرجعي فيه الأسماء، تعطي أفضل النتائج. وتتيح التصحيحات الحية للمضيف إصلاح ما لا يزال خاطئًا أثناء استمرار الحديث.
يتأخر النص بلغته الأصلية عن المتحدث بجزء من الثانية، وتتبعه الترجمات بعد ثانية أو ثانيتين. ويضيف البث العام تأخره الخاص قبل أن يصل الصوت إلى VocalStack.
نعم، عبر إضافة Chrome أو Edge، أو إضافة OBS Studio، أو Dashboard في متصفح. وتطبيق سطح المكتب على macOS اليوم، وويندوز قادم قريبًا.
لا. يفتح المستمعون رابط البث أو يمسحون رمز QR في متصفح، ويختارون لغة ويقرؤون. لا شيء يُثبَّت.
افتح Dashboard، وابدأ تفريغًا مباشرًا من ميكروفونك، وافتح رابط بثّه على هاتفك. يغطي رصيد التسجيل ساعاتك الأولى، وتستطيع أن ترى بنفسك المسودات وهي تستقر والترجمة وهي تتبعها.