Шматмоўнай зале не патрэбна кабіна для кожнай мовы. Патрэбныя адзін чысты гук з пульта, адна спасылка, якую аўдыторыя адкрывае на сваіх тэлефонах, і магчымасць выправіць няправільна пачутае імя, пакуль выступ яшчэ ідзе.
Выступ, богаслужэнне, лекцыя або пасяджэнне савета — гэта адзін чалавек, які гаворыць, і аўдыторыя, не ўсе члены якой думаюць на гэтай мове. Звычайныя адказы дарагія, няпоўныя або асабістыя.
Дарагі адказ — перакладчык для кожнай мовы. Нават з адным на мову гэта кабіна, наборы навушнікаў і спецыяліст для кожнай мовы ў зале, а спецыялісты не кажуць адно і тое ж. Кожны перакладчык робіць уласны выбар пад ціскам часу: якое слова ўжыць для тэрміна, што сціснуць, што прапусціць, калі прамоўца паскорыцца. На звычайнай размове розніца амаль не важная. На судовым слуханні, пасяджэнні савета або тэхнічным брыфінгу — важная: азначаны тэрмін, дазоўка або пункт дагавора могуць дайсці да слухачоў-французаў з адным значэннем, а да арабамоўных — з другім, і ніхто ў зале не будзе ў стане гэта заўважыць. Частковы адказ — стужка субцітраў на адным экране, толькі на адной другой мове. Прыватны адказ — паўсотні тэлефонаў, падстаўленых да залы: паўсотні трохі няправільных транскрыптаў, і кожны тэлефон чуе рэха і кашаль так жа выразна, як прамоўцу.
Альтэрнатыва — транскрыбаваць прамоўцу адзін раз з чыстай крыніцы, перакласці гэты адзін транскрыпт на любыя мовы, якія патрэбны аўдыторыі, каб усе мовы пачыналіся з адных і тых жа слоў, а кожны слухач выбіраў на сваёй прыладзе. Запіс захоўваецца пасля заканчэння мерапрыемства. Ніжэй — як наладзіць усё гаспадару і слухачу і што гэта каштуе.
Транскрыбаванне ў рэальным часе можа слухаць мікрафон на любой прыладзе, RTMP-паток з OBS або любога іншага энкодэра, які прымае адрас сервера і ключ трансляцыі, YouTube-трансляцыю, інтэрнэт-радыё або любы URL, які раздае паток. Для патоку VocalStack сам забірае аўдыё; з вашага боку нічога не запускаецца.
Крыніца важнейшая за любую наладу. Пакаёвы мікрафон або тэлефон на стале чуе прамоўцу і залу: рэверберацыю ад сцен, крэслаў, аўдыторыі. Распазнаванне маўлення моцна пагаршаецца, калі голас робіцца ціханькім за гэты шум, таму тыя паўсотні тэлефонаў і не згодныя адзін з адным. Гук з мікшарнага пульта нясе мікрафон самога прамоўцы з невялікай часткай залы, таму транскрыпт ідзе за прамоўцам, а не за залай. Калі ў месцы ёсць пульт, бярыце гук з яго.
Мова гучання вызначаецца аўтаматычна, і прамоўца можа пераключыцца ў любы момант; калі назваць мову загадзя, гэта дапаможа на шумных запісах і з моцным акцэнтам. Меткі спікераў могуць быць выключаны, уключаны або When Needed, які ўключае іх, калі пачуецца другі спікер. Як толькі гук пайшоў, аўдыторыі трэба месца, дзе яго знайсці.
Трансляцыя — гэта спасылка: адзін адрас і QR-код, які слухачы сканіруюць, каб адкрыць жывы пераклад і выбраць сваю мову. Спасылка ўтвараецца з назвы, якую вы далі трансляцыі. Калі назву змяніць пазней, стары адрас працуе далей, таму QR-код, надрукаваны ў праграме, не састарэе.
Трансляцыя публічная па змаўчанні: кожны, у каго ёсць спасылка, можа яе адкрыць. Зрабіце яе прыватнай і задайце пароль — і слухачам перад тым, як з’явіцца транскрыпт, спачатку прапануюць увесці пароль.
Адну трансляцыю могуць сілкаваць некалькі транскрыбаванняў у рэальным часе, таму канферэнцыя з дзвюма сцэнамі дзеліць адну спасылку. Спасылка прыцягвае людзей, а ўтрымлівае іх правільнае напісанне імён.
Мадэлі распазнавання маўлення навучаны на тым, як людзі звычайна гавораць, таму пры нявызначаным гуку яны выбіраюць звычайнае слова. У назвы прадукту, прозвішча, вёскі або хімічнага рэчыва ёсць больш частотнае слова, падобнае па гуку, і менавіта яно і з’явіцца, калі распазнавальніку не паведаміць, што будзе рэдкае слова. Для гэтага і патрэбны сцэнар. Дадайце сцэнар або слайды перад запускам — і імёны і тэрміны з іх перамогуць над тым, што было пачута няправільна. Менавіта на іх распазнаванне звычайна падае ў спецыялізаваным выступе. Падчас запісу ўкладка Script ідзе за маўленнем, як тэлепрампцер, падсвечваючы ўжо прамоўленыя словы.
Гэта і ўся наладка. Па другі бок спасылкі робіцца яшчэ менш.
Слухачу патрэбныя спасылка або QR-код і тэлефон. Ён адкрывае спасылку ў браўзеры і бачыць The broadcast hasn't started yet, пакуль гаспадар не націсне запіс, а потым — Live. The first line appears in a moment. Ён выбірае з моў, якія абраў гаспадар (да 10 на транскрыбаванне з 100 даступных), і чытае транскрыпт, пакуль прамоўца гаворыць. Гаспадар працягвае гаварыць на сваёй мове. Слухач можа змяніць мову ў любы момант; ужо прамоўлены транскрыпт тады паказваецца зноў на новай мове.
Калі слухач воліць слухаць, кожны перакладзены радок чытаецца ўслых. Па змаўчанні кожны спікер атрымлівае свой стандартны голас адпаведнага полу, таму панэль усё яшчэ гучыць як панэль.
Тры этапы адбываюцца па чарзе, і кожны чакае папярэдняга. Распазнаванню патрэбны адрэзак маўлення, каб вырашыць, якія гэта словы, таму транскрыпт адстае ад прамоўцы на долі секунды. Пераклад патрэбны цэлую фразу, бо парадак слоў у мовах розны, а канец сказа можа змяніць пачатак, таму ён ідзе на секунду-дзве пазней. Агучванню патрэбны перакладзены сказ, каб пачацца, таму прамоўлены радок ідзе апошнім. Ні ад чаго з гэтага не трэба пазбаўляцца налаўкай; так працуе любая сістэма, якая робіць гэтыя тры рэчы, у тым ліку чалавек-перакладчык, які таксама чакае дзеяслова.
З дазволу спікера гаспадар можа кланаваць голас спікера па трыццаці секундах маўлення гэтай асобы самой (MP3, M4A або WAV; лепш некалькі хвілін). Пераклад тады чытаецца голасам спікера на кожнай мове. Ставіцца да голасу як да біяметрычных дадзеных, якімі ён і з’яўляецца. Паводле GDPR, галасавыя дадзеныя, апрацаваныя для распазнавання асобы, як правіла, належаць да спецыяльных катэгорый паводле артыкула 9, а некаторыя штаты ЗША, сярод іх Ілінойс, рэгулююць галасавыя адбіткі асобна. Атрымайце відавочную згоду спікера да запісу ўзору, а не пасля; голас можна выдаліць у любы час. Кланаванне таксама запісвае спікера ў сістэму, таму ў будучых запісах яго пазначаюць па імені. Гаспадар можа прызначыць голас кожнаму спікеру або адключыць які-небудзь з іх.
Слухач, які прыйшоў позна, бачыць усё сказанае да свайго прыходу, а потым ідзе за жывым гукам. Калі злучэнне абрываецца, старонка сама даганяе, калі злучэнне вяртаецца. Калі гаспадар прыпыняе, слухачы бачаць Paused. The transcript continues when the host resumes. Калі гаспадар спыняе, старонка паказвае дату і даўжыню запісу, а трансляцыя спісвае свае папярэднія запісы для прайгравання.
Слухач можа чытаць толькі тое, што пачуў рухавік, а жывое распазнаванне нешта з гэтага пераблытае.
На экране гаспадара ёсць укладка Fix якраз для гэтага. Mark uncertain words фарбуе і падкрэслівае словы, у якіх рухавік не быў упэўнены; Click to correct адкрывае радок для праверкі. Укладка праходзіць нявызначаныя адрэзкі па адным, так што другі чалавек за сталом можа іх апрацоўваць, пакуль прамоўца працягвае.
Калі гаспадар перапісвае слова або радок, нават той, які яшчэ гучыць, кожны слухач бачыць выпраўленне. Радок з занізкай упэўненасцю хаваецца ад слухачоў як Audio unclear, а не паказваецца няправільна; гаспадар бачыць кожнае слова. Пропуск — вядомая прагаліна; упэўнена няправільнае слова — чутка.
Гэтыя выпраўленні не знікаюць, калі выступ заканчваецца.
Усё захоўваецца. Запіс, транскрыпт з выпраўленнямі і перакладамі і аўдыё трапляюць у бібліятэку гаспадара. Прайграванне прайграе ўсё так, як гучала, радок за радком, з аўдыё. Калі словы фінальныя, на кожнай мове пішуцца назва і падсумаванне, і ўкладкі Summary і Export на экране гаспадара выводзяць іх проста з мерапрыемства.
Экспарт — гэта субцітры SRT, PDF, Excel або JSON з выпраўленнямі і перакладамі; аўдыё спампоўваецца як MP3. Пошук па кожным транскрыпце працуе на любой мове.
Укладка Audience паказвае, хто слухаў, на якой мове і калі далучыўся: часта гэта першы сапраўдны падлік, які арганізатар атрымлівае пра тое, каму якая мова патрэбна. Да гэтага звычайна ацэньвалі па тым, хто падняў руку, калі па-ангельску спыталі, ці патрэбен ім пераклад. Ідэнтыфікатары слухачоў выдаляюцца разам з запісам.
Распазнаванне маўлення, распазнаванне спікераў і сінтэз голасу працуюць на серверах, якія мы кіруем, і ваша аўдыё не перадаецца ніякай трэцяй старане для апрацоўкі. Мы не выкарыстоўваем ваша аўдыё, транскрыпты або галасы для навучання мадэляў.
Захаванне залежыць ад тарыфу: на Pay as you go крыніцавы гук і галасы захоўваюцца 7 дзён, транскрыпты — 30 дзён; Premium і Enterprise захоўваюць іх на ўвесь тэрмін дзеяння ўліковага запісу. Другое, што вызначае тарыф, — гэта рахунак.
Важныя два лічбы. На Pay as you go і Premium жывое транскрыбаванне каштуе $0.60 за гадзіну аўдыё, аплата па секундах з мінімумам 5 хвілін на транскрыбаванне, як у панэлі кіравання, так і праз API; у Enterprise — аб’ёмныя тарыфы. Слухачы і мовы бясплатныя: гадзіннае мерапрыемства, прачытанае на пяці мовах дзвюма сотнямі людзей, коштуе $0.60. Файлы таннейшыя ($0.20 за гадзіну), бо жывое транскрыбаванне ідзе ў рэальным часе на ўсім працягу мерапрыемства. Тарыфы адрозніваюцца паралельнасцю, максімальнай даўжынёй запісу і хуткасцю запуску; на Pay as you go халодны запуск можа заняць да 15 секунд, таму націсніце запіс крыху раней за прамоўцу, прыкладна за адно «Ці чуюць мяне ўсе ў канцы залы?». Поўная табліца — на старонцы цэн.
На галоўнай старонцы ёсць дэма з двума тэлефонамі, а новы ўліковы запіс у панэлі кіравання атрымлівае крэдыт за рэгістрацыю $5 і не патрабуе карткі. Па жывой стаўцы гэты крэдыт пакрывае больш за восем гадзін трансляцый.
Вагаецеся паміж гэтым і жывым перакладам, убудаваным у тэлефон кожнага? Прачытайце чаму для залы недастаткова тэлефона. Для поўнага мерапрыемства кантрольны спіс для шматмоўнай канферэнцыі разглядае гукавы шлях, некалькі этапаў на адной спасылцы і бюджэт. Распрацоўшчыкі могуць рабіць усё гэта з кода праз даведнік API па той самай стаўцы.
