تحسم دقة الترجمة الفورية في الغالب قبل تشغيل أي نموذج، وذلك بحسب مكان الميكروفون. خذ الصوت من طاولة المزج لا من مقعد في الصف الثاني عشر، وفرّغه نصيًا مرة واحدة، فيصير الخطأ سطرًا واحدًا يستطيع أي شخص تصحيحه للجميع.
تطبيقات الترجمة المدمجة في الهواتف إنجاز حقيقي. فهي كثيرًا ما تشغّل نموذجًا للتعرّف على الكلام صغيرًا بما يكفي ليعمل على الجهاز وبطاريته (وبعضها يرسل الصوت إلى خادم عند توفر اتصال)، وفي الجمل القصيرة الواضحة اليومية تؤدي المهمة: السؤال عن الاتجاهات، أو قراءة قائمة الطعام، أو الحديث عبر منضدة في متجر.
أما القاعة المليئة بالحضور أمام متحدث واحد فمشكلة مختلفة. فالأشياء التي تسوء في الكلام الحقيقي هي بالضبط ما يُتقن النموذج الصغير أقل من غيره: الكلمات والأسماء غير الشائعة، والكلمات المتشابهة في النطق مثل «their» و«there»، أو «sail» و«sale»، والمصطلحات التقنية، واللهجات، وتداخل المتحدثين، والضجيج الخلفي. ففي نادٍ للإبحار، يسمع النموذج كلمة «sale» فيخمّن تخمينًا معقولًا، ثم يخطئ بثقة.
ويزيد الأمر أن النموذج الصغير يخمّن أكثر من الكبير، لسببين. فقد ضُغط ليناسب الهاتف، فصار يعرف كلمات أقل وطرائق أقل للتعبير عنها، فيقارب اسم عائلة لم يصادفه إلا نادرًا من الأصوات وحدها. ثم إن التعرّف المباشر يجب أن يحسم الكلمة قبل وصول بقية الجملة، فلا يستطيع النموذج الاستعانة بما كان سيحسم «sail» مقابل «sale»: الكلمات التي تأتي بعدها، أو نص مُسبق يقول عمّ يدور الحديث. وفي التعرّف على الكلام يعني السياق بالضبط هذين الأمرين: الكلمات المحيطة، وما هو معروف مسبقًا.
وحين لا يكون النموذج متأكدًا، يخمّن. عندها تُبنى الترجمة على التخمين، ولا يملك القارئ أي وسيلة لمعرفة ذلك. لا يرى أحد في القاعة أن سطرًا كان خاطئًا، فضلًا عن أن يصححه. والقاعة ليست مستمعًا واحدًا، بل خمسون.
الهاتف يسمع القاعة لا المتحدث. والسبب هو المسافة: الميكروفون المعلّق على الصدر أو الموضوع على المنضدة يبعد بضعة سنتيمترات عن الفم، أما الهاتف في الصف الثاني عشر فيبعد عشرة أمتار أو أكثر، وأغلب ما يصله قد ارتدّ عن الجدران والسقف وظهور الكراسي أولًا. يصل الصدى متأخرًا ومشوّشًا. وإلى ذلك يلتقط الهاتف سعال شخص في الصف الذي أمامه بصفين، وهمس جار، وما تفعله مكبرات الصوت بالصوت في طريقه عبر القاعة. لذلك يتلقى كل مقعد تسجيلًا مختلفًا قليلًا، فيحصل كل مقعد على تفريغ مختلف قليلًا.
والهاتف يترجم لشخص واحد. فخمسون حاضرًا يرفعون خمسين هاتفًا ينتجون خمسين تفريغًا مستقلًا للحديث نفسه، بخمسين مجموعة مختلفة من الأخطاء. ولن يتفق شخصان يقارنان ملاحظاتهما لاحقًا على ما قيل. والمتحدث من جهته يخاطب جدارًا من الهواتف المرفوعة، وهو جمهور يصعب قراءته.
بالنسبة إلى بعض الحاضرين فالأمر أكثر من إزعاج؛ إنه يحسم ما إذا كانوا سيتابعون الحديث أصلًا. فالحاضر الذي يعاني ضعف السمع، أو من يتابع بلغة ثالثة، يحتاج إلى نص مشترك واحد وصحيح، لا إلى خمسين محاولة كلٌّ بحسب ما يستطيع. وهذا يعني تفريغ كلام المتحدث مرة واحدة وإعطاء الجميع النتيجة نفسها. والتفريغ مرة واحدة لا يُجدي إلا إذا أُنجز جيدًا، وهذا يبدأ من مصدر الصوت.
دقة التفريغ لا تتجاوز جودة الصوت الذي صُنع منه. لذلك فأول قرار ليس أي نموذج تستخدم، بل أي إشارة تغذّيه. والقرار الثاني هو ما تخبر به النموذج قبل أن يبدأ.
يأخذ التفريغ المباشر صوته من المكان الذي توجد فيه الإشارة النظيفة أصلًا:
يسحب VocalStack بث الرابط بنفسه، فلا يعمل شيء على جانبك. أما RTMP فالاتجاه معكوس: جهاز الترميز عندك هو الذي يدفع البث. ويُكتشف لغة المتحدث تلقائيًا، ويمكنه تبديل اللغات في أي وقت. وإذا كنت تعرف اللغة، وكان التسجيل مشوشًا أو فيه لكنة قوية، فتسميتها تحسّن الدقة.
الصوت النظيف يزيل الأخطاء التي يسببها المكان، لكنه لا يفعل شيئًا للأخطاء الناتجة عن المفردات، وهذه تحتاج إلى نوع مختلف من المساعدة.
الهاتف لا يعرف من يتكلم ولا موضوع الحديث، فاسم المنتج أو اللقب مجرد صوت آخر يحاول تقريبه. أما البث فيمكن إخباره مسبقًا بما يُتوقع.
إذا أضفت نصًا أو شرائح قبل البدء، تتقدّم الأسماء والمصطلحات الواردة فيها على ما سمعه المحرك خطأً. وأثناء التسجيل يتابع تبويب Script المتحدث مثل جهاز التلقين. وهذا أكبر مكسب في الدقة لنوع الكلام الذي يملأ المؤتمرات والمحاضرات: كثيف بالأسماء العلم والمفردات التي لم يسمعها أي نموذج عام مرات كافية.
النص الجيد والصوت النظيف يزيلان معظم الأخطاء. فالسؤال هو ماذا يحدث للأخطاء المتبقية.
حتى مع صوت جيد ونص مرجعي ستخرج بعض الأسطر خاطئة. والفرق يكمن في ما يحدث بعد ذلك.
على الهاتف: لا شيء. يمر السطر الخاطئ، وتمر معه الترجمة المبنية عليه.
في البث: السطر الذي يكون غامضًا أكثر مما يستحق العرض يُخفى عن المستمعين بعبارة «Audio unclear»، بدلًا من أن يُقدَّم كأنه حقيقة.
وهناك المضيف، ولديه تبويب Fix: يمكن تلوين الكلمات التي كان المحرك غير متأكد منها وتسطيرها، ويفتح النقر على السطر لمراجعته، ويمكن إعادة كتابة أي كلمة أو سطر وهو ما زال يُبث مباشرة. يرى كل مستمع التصحيح بلغته. وكل تصحيح يُعلَّم ويمكن التراجع عنه.
ليس المقصود أن الخادم لا يخطئ أبدًا. المقصود أن الخطأ صار مرئيًا، ويملكه شخص في القاعة، ويُصحَّح مرة واحدة للجميع.
التصحيحات تُصلح ما يقرؤه المستمعون. والمستمعون الذين يفضّلون سماع الحديث يحصلون على النص المصحَّح نفسه، منطوقًا.
المستمع الذي يفضّل الاستماع على القراءة يستطيع أن يسمع كل سطر مترجم بصوت عالٍ. وبالافتراض يحصل كل متحدث على صوت جاهز مميّز يطابق جنسه، فتبقى حلقة النقاش تبدو كحلقة نقاش. ويمكنك أن تخصص صوتًا لكل متحدث، أو أن تكتم صوت أحدهم.
ومع إذن المتحدث الصريح يمكنك أن تذهب أبعد، فتستنسخ صوته من ثلاثين ثانية من كلامه، إما مقطعًا مرفوعًا أو مأخوذًا مباشرة من متحدث في تسجيل. ودقائق قليلة تعطي نتيجة أفضل. فتُقرأ الترجمة بصوت المتحدث نفسه بكل اللغات. ويمكن التعرّف على المتحدث صاحب الصوت المحفوظ في تسجيلات لاحقة، مع أن النظام يفضّل أن يترك المتحدث بلا اسم على أن يسمّي الشخص الخطأ.
هناك قاعدتان مقصودتان. الصوت المستنسخ بيانات حيوية: لا يُصنع إلا بموافقة صريحة من المتحدث، ويمكن حذفه في أي وقت. والصوت لا يقول إلا نص التفريغ أو ترجمته؛ ولا يمكن أن يُجعل يقول شيئًا لم يقله صاحبه.
كل ما سبق يحدث والمتحدث ما زال يتكلم. والفرق الأخير يظهر بعد أن يتوقف.
تختفي تفريغات الهواتف الخمسين حين تُغلق التطبيقات. أما البث فيحفظ التسجيل في مكتبتك: الصوت، والنص مع كل تصحيح وترجمة. ويمكن هناك إعادة تشغيله سطرًا سطرًا، والبحث فيه بأي لغة، وتصديره. وتشرح جولة رابط واحد لكل لغة ما تفعله المكتبة. والمستمعون لا يكلّفون شيئًا، مهما بلغ عددهم. أنت تدفع مقابل الصوت المُفرَّغ فقط، بسعر $0.60 للساعة للبث المباشر، مع حد أدنى 5 دقائق لكل تفريغ، وتجد جدول الأسعار كاملًا في صفحة الأسعار.
تبقى الهواتف الفردية ملاذًا جيدًا لحديث في الممر. أما القاعة التي عليها أن تفهم متحدثًا واحدًا معًا، فيجب تفريغ كلام المتحدث مرة واحدة من المصدر، مع شخص قادر على تصحيح ما يسوء. ويمكنك أن ترى كيف يبدو ذلك في العرض التفاعلي على الصفحة الرئيسية.
