Çoxdilli auditoriyaya hər dil üçün ayrı kabin lazım deyil. Ona masadan gələn bir təmiz audio axını, tamaşaçıların öz telefonlarında açdığı bir link və danışıq davam edərkən yanlış eşidilmiş adı düzəltmək üçün bir yol lazımdır.
Çıxış, xidmət, mühazirə və ya şəhər şurasının iclası bir danışana və hamısı həmin dildə düşünməyən auditoriyaya malikdir. Adi cavablar ya bahalıdır, ya natamam, ya da şəxsidir.
Bahalı cavab hər dil üçün tərcüməçi tutmaqdır. Hər dil üçün bir nəfər olsa belə, bu bir kabin, qəbuledicilər dəsti və otaqdakı hər dil üçün bir mütəxəssis deməkdir, mütəxəssislər isə eyni şeyi demir. Hər tərcüməçi vaxt təzyiqi altında öz seçimlərini edir: terminə hansı sözün veriləcəyini, nəyin qısaldılacağını, danışan sürətləndikdə nəyin buraxılacağını. Adi çıxışda fərq az əhəmiyyət kəsb edir. Hüquqi dinləmədə, şəhər şurasının səsverməsində və ya texniki brifinqdə isə fərq böyükdür: müəyyən edilmiş termin, doza və ya bənd fransız dinləyicilərə bir mənada, ərəb dinləyicilərə başqa mənada çatıb bilər, və otaqdakı heç kim bunu fərq etmək vəziyyətində deyil. Natamam cavab tək bir ekranda, yalnız bir ikinci dildə subtitr axınıdır. Şəxsi cavab isə otaqa tutulan əlli telefondur: hər biri bir az səhv transkript verir, hər telefon isə exonu və öskürəyi danışanın səsi qədər aydın eşidir.
Alternativ yol danışanı təmiz mənbədən bir dəfə transkripsiya etmək, sonra həmin bir transkripti auditoriyanın ehtiyac duyduğu hər dilə tərcümə etməkdir. Beləliklə bütün dillər eyni sözlərdən başlayır və hər dinləyici öz cihazında seçim edir. Tədbir bitdikdən sonra yazı saxlanılır. Aşağıda host və dinləyicinin hər birinin bunu necə quracağı və nəyə başa gəldiyi göstərilir.
Canlı transkripsiya istənilən cihazdakı mikrofonu, server URL-i və yayım açarı qəbul edən OBS və ya başqa enkoderdən gələn RTMP axınını, YouTube canlı yayımını, internet radio stansiyasını və ya axın verən istənilən URL-i dinləyə bilər. Axın üçün VocalStack audionu özü çəkir; sizin tərəfdə heç nə işləmir.
Mənbə hər hansı parametrdən daha vacibdir. Otaq mikrofonu və ya masadakı telefon danışanı və otağı birlikdə eşidir: divarlardan, stullardan, auditoriyadan əks olunan səsi. Nitq tanıma səs otaq səsinə nisbətən zəiflədikcə kəskin pisləşir, ona görə o əlli telefon bir-biri ilə razılaşmır. Mikşer pultundan gələn axın danışanın öz mikrofonunu daşıyır və içində otaqdan az şey olur, beləliklə transkript otağı yox, danışanı izləyir. Məkanın pultu varsa, axını ondan götürün.
Danışılan dil avtomatik aşkarlanır və danışan istənilən vaxt dili dəyişə bilər; onu əvvəlcədən göstərmək səs-küylü yazılarda və güclü aksentlərdə kömək edir. Danışan etiketləri söndürülə, yandırıla və ya When Needed rejiminə qoyula bilər; bu rejimdə ikinci danışan eşidildikdə etiketlər avtomatik yanır. Audio daxil olmağa başlayanda auditoriyanın onu tapacağı yer lazımdır.
Yayım linkdir: dinləyicilərin canlı tərcüməni açıb dillərini seçmək üçün skan etdiyi bir ünvan və QR kod. Link yayıma verdiyiniz addan yaranır. Onu sonra yenidən adlandırsanız, köhnə link işləməyə davam edir, belə ki proqramda çap olunmuş QR kod köhnəlmir.
Yayım defolt olaraq açıqdır: linki bilən hər kəs onu aça bilər. Onu gizli edib parol təyin etsəniz, dinləyicilərdən transkript görünməzdən əvvəl parol istənilir.
Bir yayımı bir neçə canlı transkripsiya qidalandıra bilər, beləliklə iki səhnəsi olan konfrans bir linki paylaşır. Link insanları içəri gətirir; onları orada saxlayan şey isə adların düzgün çıxmasıdır.
Nitq tanıyıcıları insanların adətən necə danışdığı üzrə təlim keçib, ona görə səs qeyri-müəyyən olanda ən çox işlənən sözü seçirlər. Məhsul adı, soyad, kənd, kimyəvi maddə: hər birinin daha tez-tez işlənən oxşar səslənən sözü var və tanıyıcıya nadir sözün gəldiyi deyilmədikcə o söz çıxır. Skript məhz bunun üçündür. Başlamazdan əvvəl skript və ya slaydlar əlavə edin; onlardakı adlar və terminlər yanlış eşidilmiş sözlərdən üstün gəlir. Mütəxəssis çıxışlarında tanıma adətən məhz bu adlarda və terminlərdə çətinlik çəkir. Yazı zamanı Script sekməsi teleprompter kimi işləyir: indiyə qədər deyilən sözləri işıqlandıraraq irəliləyir.
Qurulmanın hamısı budur. Linkin digər tərəfində isə daha az iş var.
Dinləyiciyə link və ya QR kod, həm də telefon lazımdır. Onlar linki brauzerdə açır və host yazı düyməsini basana qədər The broadcast hasn't started yet mesajını görür, sonra isə Live. The first line appears in a moment. Host-un seçdiyi dillərdən (transkripsiya başına mövcud 100 dildən 10-a qədər) seçim edir və danışan danışdıqca transkripti oxuyur. Host öz dilində danışmağa davam edir. Dinləyici istənilən vaxt dili dəyişə bilər; bu vaxta qədərki transkript yeni dildə yenidən göstərilir.
Dinləyici dinləməyi üstün tutursa, hər tərcümə edilmiş sətir yüksək səslə oxunur. Defolt olaraq hər danışana uyğun cinsdə fərqli hazır səs verilir, beləliklə panel hələ də panel kimi səslənir.
Üç mərhələ ardıcıl baş verir və hər biri əvvəlkini gözləyir. Tanıma sözləri təsdiqləmək üçün bir qədər nitqə ehtiyac duyur, ona görə transkript danışandan bir az geri qalır. Tərcümə bütöv bir ifadə tələb edir, çünki sözlərin sırası dillər arasında fərqlənir və cümlənin sonu əvvəlini dəyişə bilər; ona görə bir-iki saniyə sonra gəlir. Nitq tərcümə edilmiş cümləyə ehtiyac duyur, ona görə danışılan sətir sonuncu gəlir. Bunların heç biri düzəldiləcək nasazlıq deyil; bu üç işi görən hər sistemin etməli olduğu şeydir, hətta feli gözləyən insan tərcüməçinin də.
Danışanın razılığı ilə host, yalnız həmin şəxsin danışdığı otuz saniyəlik səsdən (MP3, M4A və ya WAV; bir neçə dəqiqə daha yaxşıdır) danışanın səsini klonlaya bilər. Tərcümə sonra hər dildə danışanın öz səsi ilə oxunur. Səsə onun biometrik məlumatı kimi yanaşın. GDPR-a görə, şəxsi tanımaq üçün emal edilən səs məlumatları ümumiyyətlə 9-cu maddənin xüsusi kateqoriyalarına düşür, və bəzi ABŞ ştatları, o cümlədən İllinoys, səs izlərini (voiceprints) ayrıca tənzimləyir. Nümunə qeydə alınmazdan əvvəl, sonra yox, danışanın açıq razılığını alın; səs istənilən vaxt silinə bilər. Klonlama həm də danışanı qeydiyyata alır, ona görə gələcək yazılarda adı ilə etiketlənir. Host hər danışana səs təyin edə və ya birini susdura bilər.
Gec gələn dinləyici girməzdən əvvəl deyilən hər şeyi görür, sonra canlı izləyir. Bağlantı kəsilərsə, səhifə bağlantı qayıdan kimi özü-özünə yetişir. Host dayandırdıqda dinləyicilər Paused. The transcript continues when the host resumes. mesajını görür. Host yazını bitirdikdə səhifə yazının tarixini və müddətini göstərir, yayım isə keçmiş yazılarını təkrar dinləmə üçün siyahıya salır.
Dinləyici yalnız mühərrikin eşitdiyini oxuya bilər, canlı tanıma isə bunun bir hissəsini səhv başa düşür.
Host ekranında məhz bunun üçün Fix sekməsi var. Mark uncertain words mühərrikin əmin olmadığı sözləri rənglə və altdan xətlə işarələyir; Click to correct nəzərdən keçirmək üçün bir sətir açır. Sekmə qeyri-müəyyən seqmentləri bir-bir gəzir, beləliklə masada ikinci bir nəfər danışan davam edərkən onları işləyə bilər.
Host sözü və ya sətri yenidən yazanda, hətta hələ deyilən sətri belə, hər dinləyici düzəlişi görür. Etibarlılığı çox aşağı olan sətir dinləyicilərdən yanlış göstərilmək əvəzinə Audio unclear kimi gizlədilir; host isə hər sözü görməkdə davam edir. Boşluq məlum boşluqdur; əminliklə deyilən yanlış söz isə şayiədir.
Bu düzəlişlər danışıq bitdikdən sonra da itmir.
Hər şey saxlanılır. Yazı, düzəlişləri və tərcümələri ilə birlikdə, audio isə host-un kitabxanasına düşür. Təkrar dinləmə onu olduğu kimi, sətir-sətir, öz audiosu ilə geri oxudur. Sözlər yekunlaşdıqdan sonra hər dildə başlıq və xülasə yazılır, host ekranındakı Summary və Export sekmələri isə onları birbaşa tədbirdən çıxarır.
İxraclar düzəlişlər və tərcümələrlə birlikdə SRT subtitrləri, PDF, Excel və ya JSON formatındadır, audio isə MP3 kimi endirilir. Hər transkript istənilən dildə axtarıla bilər.
Audience görünüşü kimin dinlədiyini, hansı dildə və nə vaxt qoşulduğunu göstərir: təşkilatçının kimin hansı dilə ehtiyacı olduğuna dair çox vaxt aldığı ilk real rəqəm budur. Ona qədər ümumi qiymət belə idi: İngilis dilində tərcümə lazım olub-olmadığı soruşulanda əl qaldıranların sayı. Dinləyici identifikatorları yazı ilə birlikdə silinir.
Nitq tanıma, danışanın tanınması və səs sintezi bizim idarə etdiyimiz serverlərdə işləyir, və audionuz emal üçün heç bir üçüncü tərəfə göndərilmir. Audionuzu, transkriptlərinizi və ya səslərinizi modelləri öyrətmək üçün istifadə etmirik.
Saxlama müddəti plana uyğundur: İstifadə etdikcə ödə planında mənbə audio və səslər 7 gün, transkriptlər 30 gün saxlanılır; Premium və Enterprise-da isə hesab ömrü boyu. Planın müəyyən etdiyi digər şey isə hesabdır.
İki rəqəm vacibdir. İstifadə etdikcə ödə və Premium planlarında canlı transkripsiya audionun $0.60 saatı üçün ödənilir: saniyəlik hesablanır, hər transkripsiya üçün 5 dəqiqəlik minimumla, Dashboard-da və API-də eyni qaydada. Enterprise həcm tarifləri ilə işləyir. Dinləyicilər və dillər pulsuzdur: beş dildə oxunan, iki yüz nəfərin dinlədiyi bir saatlıq tədbir $0.60 başa gəlir. Fayllar daha ucuzdur ($0.20 saatı), çünki canlı transkripsiya bütün tədbir boyu real vaxt rejimində işləyir. Planlar eyni vaxtda işləmə, qeydin maksimum uzunluğu və başlama sürətində fərqlənir; İstifadə etdikcə ödə planında soyuq başlanğıc 15 saniyəyə qədər çəkə bilər, ona görə danışan başlamazdan bir az əvvəl yazını başladın, təxminən "Arxada oturanlar məni eşidirmi?" cümləsindən bir az əvvəl. Tam cədvəl qiymətlər səhifəsində yerləşir.
Ana səhifədə iki telefonlu demo var, və İdarə paneli-də yeni hesab $5 qeydiyyat krediti ilə gəlir, kart tələb olunmur. Canlı tarifdə bu kredit səkkiz saatdan çox yayımı ödəyir.
Bunu hər kəsin telefonuna quraşdırılmış canlı tərcümə ilə müqayisə edirsiniz? Telefon bir otaq üçün niyə kifayət etmir yazısını oxuyun. Tam tədbir üçün çoxdilli konfrans yoxlama siyahısı audio yolunu, bir linkdə bir neçə mərhələni və büdcəni əhatə edir. Developerlər bütün bunları koddan API referansı vasitəsilə, eyni tarifdə edə bilərlər.
