Canlı tərcümənin dəqiqliyi əsasən heç bir model işləməmişdən əvvəl, mikrofonun harada olduğundan müəyyən edilir. Səsi qarışdırma pultundan götürün, on ikinci sıradakı oturacaqdan yox, bir dəfə transkripsiya edin və səhv hamı üçün düzəldilə bilən bir sətirə çevrilir.
Telefonlara quraşdırılmış tərcümə tətbiqləri əsl nailiyyətdir. Onlar çox vaxt cihaza və onun batareyasına sığan kifayət qədər kiçik nitq modeli işlədir (bəziləri bağlantı olduqda səsi serverə ötürür) və qısa, aydın, gündəlik cümlələr üçün işi görürlər: yol soruşmaq, menyunu oxumaq, piştaxta arxasında söhbət.
Bir danışana qulaq asan dolu otaq fərqli bir problemdir. Real nitqdə yanlış gedən şeylər məhz kiçik modelin ən pis etdiyi şeylərdir: adi olmayan sözlər və adlar, səslənməsi oxşar sözlər ("their" və "there", "sail" və "sale"), texniki terminlər, aksentlər, insanların bir-birinin üstünə danışması və fon səs-küyü. Yelkən klubunda "sale" eşidən model ağlabatan bir təxmin etmiş, amma əminliklə səhv etmişdir.
Kiçik modeli böyük modeldən daha çox təxmin etməyə vadar edən iki şey var. Birincisi, telefona sığması üçün sıxılıb, ona görə də daha az söz və onları deməyin daha az yolunu bilir; görmədiyi bir soyadı yalnız səslərdən təxmin edir. İkincisi, canlı tanıma cümlənin qalan hissəsi gəlməmişdən əvvəl bir sözə öhdəlik götürməlidir, ona görə model "sail"i "sale"dən ayırmaq üçün istifadə oluna biləcək şeyləri — sonra gələn sözləri və ya tədbirin nədən bəhs etdiyini bildirən ssenarini — istifadə edə bilmir. Nitq tanımada kontekst məhz bu iki şeyi bildirir: ətrafdakı sözləri və əvvəlcədən məlum olanı.
Model əmin olmadıqda təxmin edir. Tərcümə bu təxmin üzərində qurulur və onu oxuyan adam bunu bilmək imkanına malik deyil. Otaqdakı heç kim sətrin səhv olduğunu görə bilmir, düzəltmək bir yana. Üstəlik otaq bir dinləyici deyil, əllidir.
Telefon otağı eşidir, danışanı yox. Səbəb məsafədir: yaxa mikrofonu və ya masa mikrofonu ağzın bir neçə santimetrliyində durur, on sıradakı telefon isə on metr və ya daha uzaqdadır və ona çatan səslərin çoxu əvvəlcə divarlardan, tavandan və oturacaqların arxasından əks olunur. Əks olunmuş səs gec və bulanıq gəlir. Bunun üstünə telefon iki sıra arxada öskürən adamı, qonşunun pıçıltısını və danışanın səsinin salondan keçərkən gücləndiricilərdən necə dəyişdiyini tutur. Hər oturacaq bir az fərqli yazı alır, ona görə də hər oturacaq bir az fərqli transkript alır.
Telefon həm də yalnız bir nəfər üçün tərcümə edir. Əlli iştirakçı əlli telefon qaldırsa, eyni çıxışın əlli müstəqil transkripti, əlli fərqli səhv dəsti yaranır. Sonra iki nəfər qeydlərini müqayisə etsə, nəyin deyildiyi barədə razılığa gəlməyəcəklər. Danışan isə qaldırılmış telefonlar divarına müraciət edir, bu da oxunması çətin bir auditoriyadır.
Otaqdakı bəzi insanlar üçün bu sadəcə narahatlıq deyil; çıxışı ümumiyyətlə izləyə bilib-bilməyəcəklərini müəyyən edir. Eşitmə qüsuru olan iştirakçı və ya üçüncü dildə izləyən adam əlli ən yaxşı cəhd yox, bir düzgün ortaq mətnə ehtiyac duyur. Bu o deməkdir ki, danışanı bir dəfə transkripsiya edib hamıya eyni nəticəni vermək lazımdır. Bir dəfə transkripsiya etmək yalnız yaxşı edildikdə dəyər qazandırır və bu da səsin haradan gəldiyindən başlayır.
Transkript yalnız onu hazırladığı səs qədər yaxşıdır. Ona görə ilk qərar hansı modeldən istifadə ediləcəyi yox, modelə hansı siqnalın veriləcəyidir. İkinci qərar isə modelin başlamazdan əvvəl ona nə deyəcəyinizdir.
Canlı transkripsiya təmiz siqnalın artıq olduğu yerdən səs alır:
VocalStack URL axınını özü çəkir, ona görə tərəfinizdə heç nə işləmir. RTMP axını isə əksinə işləyir: kodlayıcınız onu göndərir. Danışanın dili avtomatik müəyyən edilir və onlar istənilən vaxt dil dəyişə bilərlər. Dili bildiyiniz və yazı səs-küylü və ya ağır aksentli olduqda, onun adını çəkmək dəqiqliyi artırır.
Təmiz səs otaqdan qaynaqlanan səhvləri aradan qaldırır. Lüğətin səhvlərinə heç bir təsiri yoxdur, onlar isə başqa növ kömək tələb edir.
Telefonun kimin danışdığını və tədbirin nədən bəhs etdiyini bilmək imkanı yoxdur, ona görə məhsul adı və ya soyad sadəcə təxmin ediləcək başqa bir səsdir. Yayım isə əvvəlcədən nəyi gözləməli olduğu barədə məlumatlandırıla bilər.
Başlamazdan əvvəl skript və ya slayd əlavə etsəniz, onlardakı adlar və terminlər modelin səhv eşitdiyi şeydən üstün tutulur. Yazı zamanı Script tab danışanı teleprompter kimi izləyir. Bu, konfranslar və mühazirələri dolduran nitq növü üçün ən böyük dəqiqlik artımıdır: ümumi məqsədli heç bir modelin kifayət qədər tez-tez eşitmədiyi xüsusi adlarla və lüğətlə zəngindir.
Yaxşı səs və lüğət səhvlərin çoxunu aradan qaldırır. Sual qalan səhvlərlə nə baş verdiyidir.
Yaxşı səs və skriptlə belə, bəzi sətirlər səhv çıxacaq. Fərq sonra nə baş verməsindədir.
Telefonda heç nə. Səhv sətir sürüşüb keçir və onun üzərində qurulmuş tərcümə də onunla birlikdə gedir.
Yayımda isə dinləyicilərə fakt kimi təqdim olunmaqdansa, göstərilməyə dəyməyəcək qədər aydın olmayan sətir “Audio unclear” kimi gizlədilir.
Sonra ev sahibi üçün Fix tab var: mühərrikin şübhələndiyi sözlər rənglənib altından xətt çəkilə bilər, sətrə klik onu yoxlamaq üçün açır və istənilən söz və ya sətir transkripsiya hələ canlı ikən yenidən yazıla bilər. Hər dinləyici düzəlişi öz dilində görür. Hər düzəliş qeyd olunur və geri qaytarıla bilər.
Məsələ server səhv etmədiyi deyil. Səhvin görünən olması, otaqdakı biri tərəfindən sahiblənməsi və hamı üçün bir dəfə düzəldilməsidir.
Düzəlişlər dinləyicilərin oxuduğunu düzəldir. Tərcüməni eşitməyi üstün tutan dinləyicilər eyni düzəldilmiş mətni, səsləndirilmiş halda alırlar.
Oxumaqdansa dinləməyi üstün tutan dinləyici hər tərcümə edilmiş sətri səsli oxutdura bilər. Defolt olaraq hər danışana cinsi uyğun, fərqli hazır səs təyin olunur, ona görə panel hələ də panel kimi səslənir. Hər danışana səs təyin edə və ya birini səssiz edə bilərsiniz.
Danışanın icazəsi ilə daha irəli gedə bilərsiniz: onun nitqindən otuz saniyə ilə səsini klonlaya bilərsiniz, ya klip kimi yükləməklə, ya da yazıdakı danışandan birbaşa götürməklə; bir neçə dəqiqə daha yaxşı nəticə verir. Tərcümə sonra hər dildə danışanın öz səsi ilə oxunur. Saxlanılmış səsi olan danışan sonrakı yazılarda da tanına bilər, lakin sistem yanlış adamı adlandırmaqdansa, danışanı adsız buraxmağa üstünlük verir.
İki qayda var və onlar qəsdəndir. Klonlanmış səs biometrik məlumatdır: yalnız danışanın açıq razılığı ilə yaradılır və istənilən vaxt silinə bilər. Səs yalnız transkripti və ya onun tərcüməsini deyə bilər; sahibinin heç vaxt deməmiş olduğu bir şeyi deməyə məcbur edilə bilməz.
Bütün bunlar danışan danışarkən baş verir. Son fərq isə onlar dayandıqdan sonra ortaya çıxır.
Tətbiqlər bağlandıqda əlli telefon transkripti yox olur. Yayım isə kitabxananızda yazını saxlayır: səsi, və hər düzəliş və tərcümə ilə birlikdə transkripti. Orada o, sətir-sətir təkrar oynadıla, istənilən dildə axtarıla və ixrac edilə bilər; kitabxananın nə etdiyini Bir keçid, bütün dillər yazısındakı təlimat əhatə edir. Dinləyicilər neçə nəfər olursa-olsun heç nəyə başa gəlmir. Siz isə canlı üçün saatı $0.60 olmaqla, hər transkripsiyaya görə 5 dəqiqəlik minimum ilə, transkripsiya edilən səs üçün ödəyirsiniz; tarif cədvəli qiymətlər səhifəsində göstərilir.
Telefon hər əldə olsa da, dəhliz söhbəti üçün yaxşı ehtiyat variantdır. Bir otağın birlikdə bir danışanı anlamalı olduğu hallarda, danışan mənbədən bir dəfə transkripsiya edilməli və səhvləri düzəldə bilən biri yanında olmalıdır. Bunun necə göründüyünü ana səhifədəki interaktiv demoda görə bilərsiniz.
