Real vaxt transkripsiyası və tərcüməsi: canlı nitqdən mətnə necə işləyir, nə qədər geri qalır, dəqiqliyə nə təsir edir və nəyə başa gəlir.
Real vaxt transkripsiyası insan hələ danışarkən nitqi mətnə çevirir. Sözlər deyildikdən bir an sonra ekranda görünür, yekun sətirlərə oturur və izləyən hər kəs onları oxuya bilər. Real vaxt tərcüməsini əlavə edin və hər oxucu eyni nitqi öz dilində, mətn kimi və ya ucadan oxunmuş halda izləyə bilər.
Bu bələdçi real vaxt transkripsiyası və tərcüməsini hər iki tərəfdən əhatə edir: dinləyici nə görür, səs haradan gələ bilər, dəqiqliyi nə müəyyən edir, tərtibatçılar API-dən nə əldə edir və bunun qiyməti nədir.
Real vaxt transkripsiyası, canlı transkripsiya və ya canlı nitqdən mətnə də adlanır, səs hələ gələrkən işləyən nitq tanımadır. Yazılmış fayl bütün yazı əlinizdə olmaqla transkripsiya edilə bilər. Canlı transkripsiya isə yalnız son bir neçə saniyəyə əsaslanaraq sözlərə qərar verməli və danışan danışdığı müddətdə ona çatmalıdır.
Canlı subtitrlər eyni şeydir, video üzərində və ya ekranda qısa sətirlər kimi göstərilir.
VocalStack-də canlı transkripsiya 100 dildə dinləyə bilər. O, danışılan dili özü təyin edir və danışan dili dəyişsə, onu izləyir, bunu avtomatik dil təyinatı necə işləyir izah edir, dili nə vaxt əvvəlcədən göstərmək lazım olduğunu da.
Mətn iki mərhələdə gəlir. Ən yeni sözlər əvvəlcə qaralama kimi görünür, daha çox səs daxil olduqca dəyişə bilər. Bir an sonra qaralama bir daha dəyişməyən yekun sətrə oturur.
Qaralama ona görə var ki, tanıyıcı sözü qismən ondan sonra gələnə görə təyin edir. «Beş yüz» və «beşyüz» kimi səslənən sözlər növbəti söz gələnə qədər fərqlənmir. Təxminin tez göstərilməsi transkripti canlı hiss etdirən şeydir.
Mətnin danışandan nə qədər geri qalması mərhələdən asılıdır:
Bu zəncirdən kənarda iki gecikmə var. Mənbə mikrofon yox, ictimai yayımdırsa, yayımın özü artıq canlı kənarından geri qalır: sadə internet radio yayımında bir-üç saniyə, HLS üçün isə bir neçə saniyədən yarım dəqiqəyə qədər. Və Pay as you go planında canlı transkripsiya başlamaq üçün 15 saniyəyə qədər vaxt ala bilər. Auto, Fast və Accuracy gecikmə rejimləri daxil olmaqla tam bölgü canlı tərcümə gecikməsi izah olunur məqaləsindədir.
Tərcümə transkriptin üzərində işləyir. Canlı transkripsiya 100 dildən seçilmiş 10 dilə qədər eyni anda tərcümə oluna bilər. Hər dinləyici öz cihazında onlardan birini seçir və istənilən vaxt dəyişə bilər; indiyədək olan transkript yeni dildə yenidən göstərilir.
Hər dil eyni transkriptdən tərcümə olunur, ona görə hər dinləyici eyni sözləri alır və düzəliş hamıya çatır.
Oxumaqdansa dinləməyi üstün tutan dinləyici hər tərcümə olunmuş sətrin ucadan oxunmasını seçə bilər. Standart olaraq hər danışana cinsinə uyğun ayrıca hazır səs verilir, ona görə panel hələ də bir neçə insan kimi səslənir. Danışanın razılığı ilə aparıcı onun səsini tək danışdığı təxminən 30 saniyədən klonlaya bilər və tərcümə sonra onun öz səsi ilə oxunur.
Səslər üçün qayda qəsdən dardır. Səs yalnız həmin şəxsin dediyini, dinləyicinin seçdiyi dilə tərcümə olunmuş halda oxuyur. O, heç vaxt kiminsə yazdığı mətni oxumur və heç vaxt bir danışanın sözlərini digərinin səsi ilə oxumur.
Bunun bütöv zal üçün, aparıcının quraşdırmasından gec gələnə qədər necə işlədiyi bir keçid, hər dil məqaləsindədir.
Canlı transkripsiya səs mənbəyi tələb edir. VocalStack bu gün bunları qəbul edir:
YouTube-un öz pleyerindəki CC düyməsi ilə subtitrlər tezliklə gəlir. O vaxta qədər YouTube yayımının izləyiciləri subtitrləri yayım keçidində izləyir.
Bu gün Windows-da canlı transkripsiyaya ehtiyacınız varsa, orada Chrome və ya Edge genişlənməsi, OBS plagini və brauzerdə İdarə paneli işləyir.
Yayım digər insanların canlı transkripsiyanı izləməsinin yoludur. Bu, bir keçid və bir QR koddur. Dinləyicilər onu brauzerdə açır, dil seçir və oxuyur. Hesab lazım deyil, heç nə quraşdırmırlar və heç nəyə başa gəlmirlər: hesab dinləyici və dil sayına görə dəyişmir.
Yayım standart olaraq ictimaidir və parolla qorunya bilər. Keçidinin adını dəyişsəniz, köhnəsi işləməyə davam edir, ona görə proqramda çap olunmuş QR kod köhnəlmir. Bir yayım bir neçə canlı transkripsiya daşıya bilər, beləliklə, iki səhnə bir keçidi bölüşə bilər.
Gec gələn dinləyici daxil olmazdan əvvəl deyilən hər şeyi görür, sonra canlı izləyir. Sonra Audience görünüşü kimin dinlədiyini, hansı dildə və nə vaxt qoşulduğunu göstərir.
Tədbirlər üçün çoxdilli konfrans yoxlama siyahısı səsi, səhnələri və büdcəni əhatə edir, kilsələr, mühazirə zalları və şəhər məclis otaqları üçün canlı transkripsiya isə eyni quraşdırmanın həftəlik versiyasını əhatə edir.
Yuxarıdakı hər şey koddan edilə bilər. Öz tətbiqinizdə canlı səs üçün API-də real vaxt sessiyaları var: serveriniz API açarı ilə POST /v1/realtime/sessions ünvanına bir sorğu göndərir və qısamüddətli streamUrl alır. Müştəriniz ona WebSocket açır, çəkildikcə xam audionu göndərir və transkripti JSON freymləri kimi geri oxuyur.
Freymlər oxucunun gördüyü eyni iki mərhələni izləyir. transcript.draft canlı quyruğu əvəz edir, transcript.committed yekun sətir əlavə edir və tərcümə açıq olduqda bütöv cümlələr tərcümələri ilə birlikdə gəlir. Hədəf dillər, danışan etiketləri və gecikmə rejimi sessiya ortasında session.update ilə dəyişdirilə bilər.
Real vaxt sessiyası heç nə saxlamır. Sözlərin saxlanmasını, düzəldilməsini və auditoriya ilə paylaşılmasını istəyirsinizsə, əvəzində audionu canlı transkripsiyaya və yayıma dərc edirsiniz. TypeScript, Python və PHP üçün rəsmi SDK-lar hər ikisini əhatə edir və MCP serveri süni intellekt köməkçisinə eyni hesabdan istifadə etməyə imkan verir.
WebSocket təlimatı addım-addım işləyən subtitr görünüşü qurur, API arayışında isə hər sahə var. API istifadəsi İdarə paneli ilə eyni tarifə görə hesablanır.
Dəqiqliyi əsasən hər hansı tanıyıcı işə düşməzdən əvvəl ona verilən audio müəyyən edir. Ən çox fərq yaradan dörd şey var.
Mikrofon. Danışana yaxın mikrofon və ya məkanın səs pultundan gələn siqnal səsi otağın az hissəsi ilə daşıyır. Masadakı telefon danışanı və əks-sədanı, stulları və öskürəkləri eşidir. Bu, ən böyük tək amildir və telefon niyə zal üçün kifayət deyil səbəbini izah edir.
Küy və üst-üstə düşmə. Fon küyü buraxılmış və uydurulmuş sözlərə səbəb olur, eyni anda danışan iki nəfər isə həm sözləri, həm də onları kimin dediyini qarışdırır. Audio transkripsiya səhvləri yeddi ümumi səbəbi, hər birinin necə göründüyünü və necə düzəldiləcəyini sadalayır.
Reference script. Tanınmış adlar və terminlər olduğu kimi tanınır. Şirkətin məhsul adları, daxili abbreviatura və ya qonağın qeyri-adi soyadı əvvəlcədən bilinə bilməz, ona görə başlamazdan əvvəl skript və ya slaydlar əlavə edin və onlardakı adlar və terminlər sizin yazdığınız kimi yazılır.
Danışan etiketləri. Etiketlər Off, On və ya ikinci danışan eşidildikdə onları açan When Needed ola bilər. Danışan diarizasiyası və nitq tanıma nə deyildiyi və kimin dediyi cavablarının ayrı olduğunu və ayrıca düzəldildiyini izah edir.
Gecikmə rejimi də vacibdir: Fast mətni daha tez çıxarır, amma onun daha çoxunu yenidən işləyir, Accuracy bir az uzun gözləyir.
Tək dəqiqlik rəqəmi göründüyündən azını deyir. Söz xəta dərəcəsi yanlış adı buraxılmış «bir» sözü ilə eyni sayır, buna görə söz xəta dərəcəsinin nəyi ölçdüyü və nəyi qaçırdığı sistemi onun tutub düzəltməyə imkan verdiyi səhvlərə görə qiymətləndirməyi təklif edir.
Heç bir canlı transkript mükəmməl deyil, ona görə aparıcı ekranında Fix vərəqi var. O, tanıyıcının əmin olmadığı sözləri işarələyə bilər və istənilən sətir açılıb düzəldilə bilər. Pult arxasındakı ikinci şəxs danışan davam edərkən onları nəzərdən keçirə bilər.
Aparıcı sözü və ya sətri, hətta hələ deyilməkdə olanı yenidən yazanda hər dinləyici düzəlişi bütün dillərdə görür. Çox az əminliklə eşidilən sətir yanlış göstərilmək əvəzinə dinləyicilərdən «Audio unclear» kimi gizlədilir; aparıcı onu hələ də görür.
Yazı transkripti, düzəlişləri və tərcümələri ilə saxlanılır. Sonra edə bilərsiniz:
Audio və transkriptlərin nə qədər saxlanıldığı plandan asılıdır və qiymətlər səhifəsi bunu göstərir.
Əksər canlı transkripsiya alətləri demoda oxşar görünür; fərqlər aşağıdakı suallarda üzə çıxır. Sağ sütun VocalStack-i bu gün olduğu kimi təsvir edir.
| Sual | Niyə vacibdir | VocalStack |
|---|---|---|
| Hansı dilləri eşidə bilir? | Danışanın dilini transkripsiya edə bilməyən alət tərcüməsi nə qədər yaxşı olsa da kömək edə bilməz. | 100 dil, avtomatik təyin olunur, danışıq ortasında keçid ilə |
| Mətn danışandan nə qədər geri qalır? | Oxucular arabir yanlış sözdən çox artan fərqi hiss edir. | Orijinal mətn saniyənin bir hissəsi geridə, tərcümə bir-iki saniyə sonra; üç gecikmə rejimi |
| Tərcümə edirmi və dili kim seçir? | Bir ekranda bir subtitr dili hamını kənarda qoyur. | Transkripsiya başına 10 dilə qədər, hər dinləyici öz dilini seçir |
| Tərcüməni səsləndirə bilirmi? | Bəzi dinləyicilər oxuya bilmir və ya istəmir. | Standart olaraq hazır səslər; razılıqla danışanın öz klonlanmış səsi |
| Auditoriyaya necə çatır? | Tətbiqlər və hesablar insanları qapıda itirir. | Bir keçid və QR kod, hesabsız, istəyə görə parol |
| Səhvləri canlı düzəltmək olarmı? | Bir saat təkrarlanan yanlış eşidilmiş ad real ziyan vurur. | Hər dinləyiciyə göndərilən canlı düzəlişlər |
| Səs haradan gələ bilər? | Quraşdırmanız alətə uyğunlaşmaq üçün dəyişməməlidir. | Mikrofon, brauzer genişlənmələri, masaüstü tətbiqi, OBS, RTMP, yayım keçidləri |
| API varmı? | Subtitrləri öz məhsulunuzda istəyə bilərsiniz. | REST və WebSocket API, SDK-lar, MCP serveri, İdarə paneli ilə eyni tarif |
| Qiymətləndirmə necədir? | Dinləyici və ya yer başına qiymət auditoriyanızla birlikdə artır. | Audionun saniyəsi üçün; dinləyicilər və dillər pulsuz |
VocalStack-də transkripsiya edilən audionun saniyəsi üçün ödəyirsiniz. Yazı zamanı canlı transkripsiya saatı $0.60, fayllar isə saatı $0.20-dır, bütün planlarda, İdarə panelində və API vasitəsilə eyni şəkildə. Tərcümə, səslər, xülasələr, yayım və dinləyicilər heç vaxt hesaba əlavə olunmur, ona görə beş dildə 200 nəfərin oxuduğu bir saatlıq çıxış heç kimin oxumadığı çıxışla eyni $0.60 edir.
Planlar bir neçə cəhətdən fərqlənir:
Heç kimin baş verərkən oxumasına ehtiyac yoxdursa, yazını sonra fayl tarifi ilə yükləyin. Hər plan üçün cari qiymətlər, saxlama və limitlər qiymətlər səhifəsindədir.
Yeni VocalStack hesabı $5 qeydiyyat krediti ilə gəlir və kart tələb etmir. Saatı $0.60 ilə bu, təxminən səkkiz saat canlı transkripsiyadır, tərcümə və yayım daxil. Bundan sonra saniyəyə görə ödəyirsiniz. Dinləyicilər həmişə pulsuzdur.
Bəli. Canlı transkripsiya insan danışarkən eyni anda 10 dilə qədər tərcümə oluna bilər. Tərcümə orijinal mətndən bir-iki saniyə sonra görünür və hər dinləyici öz dilini seçir.
Əsasən audiodan asılıdır. Yaxın mikrofon və ya pultdan siqnal, az fon küyü, eyni anda bir nəfərin danışması və adların olduğu reference script ən yaxşı nəticələri verir. Canlı düzəlişlər çıxış davam edərkən aparıcıya hələ də yanlış olanı düzəltməyə imkan verir.
Orijinal dildəki mətn danışandan saniyənin bir hissəsi qədər geri qalır, tərcümələr isə bir-iki saniyə sonra gəlir. İctimai yayım audionun VocalStack-ə çatmasından əvvəl öz gecikməsini əlavə edir.
Bəli, Chrome və ya Edge genişlənməsi, OBS Studio plagini və ya brauzerdə İdarə paneli vasitəsilə. Masaüstü tətbiqi bu gün macOS üçündür, Windows tezliklə gəlir.
Xeyr. Dinləyicilər yayım keçidini açır və ya QR kodunu brauzerdə skan edir, dil seçir və oxuyur. Quraşdırılacaq heç nə yoxdur.
İdarə panelini açın, mikrofonunuzdan canlı transkripsiya başladın və yayım keçidini telefonunuzda açın. Qeydiyyat krediti ilk saatlarınızı əhatə edir və qaralamaların oturduğunu və tərcümənin ardınca gəldiyini öz gözünüzlə görə bilərsiniz.