Многоезичната зала не се нуждае от кабина за всеки език. Нужен й е един чист звуков поток от пулта, един линк, който публиката отваря на собствените си телефони, и начин да поправи грешно чуто име, докато говорът още продължава.
Беседа, богослужение, лекция или заседание на общински съвет има един говорещ човек и публика, която не мисли изцяло на този език. Обичайните решения са скъпи, частични или лични.
Скъпото решение е преводач за всеки език. Дори с по един за всеки език това е кабина, комплект слушалки и специалист за всеки език в залата, а специалистите не казват едно и също. Всеки преводач прави свои избори под времеви натиск: каква дума да използва за даден термин, какво да съкрати, какво да пропусне, когато говорителят ускори. При обикновена беседа разликите почти нямат значение. При съдебно заседание, общинско гласуване или техническа презентация те имат: определен термин, доза или клауза може да стигне до френските слушатели с едно значение, а до арабските – с друго, и никой в залата не е в положение да го забележи. Частичното решение е лента със субтитри на един екран, на един втори език. Личното решение са петдесет телефона, вдигнати към залата: петдесет леко грешни транскрипта, като всеки телефон чува ехото и кашлицата също толкова ясно, колкото говорителя.
Алтернативата е да транскрибирате говорителя веднъж, от чист източник, да преведете този единствен транскрипт на езиците, от които се нуждае публиката, така че всеки език да започва от едни и същи думи, а всеки слушател да избира на собственото си устройство. Записът се запазва след края на събитието. Ето как домакинът и слушателят го настройват и колко струва.
Транскрипция на живо може да слуша микрофон на всяко устройство, RTMP поток от OBS или от друг енкодер, който приема адрес на сървър и поточен ключ, YouTube на живо, интернет радиостанция или всеки URL, който предава поток. При поток VocalStack сам извлича звука; от вашата страна нищо не се изпълнява.
Източникът значи повече от всяка настройка. Стаен микрофон или телефон на масата чува говорителя плюс стаята: отеквания от стените, столовете, публиката. Разпознаването на реч рязко се влошава, когато гласът е по-тих спрямо този шум, затова тези петдесет телефона не се съгласуват помежду си. Сигналът от миксерния пулт носи микрофона на самия говорител с малко от стаята, така че транскриптът следва говорителя, а не стаята. Ако мястото има пулт, вземете сигнала от него.
Езикът на речта се открива автоматично, а говорителят може да го сменя по всяко време; посочването му предварително помага при шумни записи и силни акценти. Етикетите на говорителите могат да бъдат изключени, включени или When Needed, което ги включва, щом се чуе втори говорител. Когато аудиото вече пристига, публиката трябва да има къде да го намери.
Излъчването е самият линк: един адрес и QR код, който слушателите сканират, за да отворят живия превод и да изберат езика си. Линкът се създава от името, което давате на излъчването. Ако го преименувате по-късно, старият линк продължава да работи, така че QR код, отпечатан в програма, не остарява.
Излъчването е публично по подразбиране: всеки с линка може да го отвори. Ако го направите частно и зададете парола, слушателите се питат за нея, преди да се появи транскриптът.
Едно излъчване може да се захранва от няколко транскрипции на живо, така че конференция с две сцени споделя един линк. Линкът вкарва хората; това, което ги задържа, е точното изписване на имената.
Системите за разпознаване на реч се обучават върху това как хората обикновено говорят, затова при неясен звук посягат към обичайната дума. Име на продукт, фамилия, село, химично вещество – всяко има по-честа почти еднаква дума, и тя е онова, което излиза, освен ако разпознаването не е уведомено, че идва рядката дума. За това служи сценарият. Добавете сценарий или слайдове преди да стартирате, и имената и термините в тях надделяват над грешно чутото. Именно тук разпознаването обикновено се проваля в специализирана презентация. По време на записа разделът Script следва текста като телесуфлер и осветява думите, изречени дотогава.
Това е цялата настройка. От другата страна на линка има още по-малко работа.
Слушателят има нужда от линк или QR код и от телефон. Отваря линка в браузър и вижда Излъчването още не е започнало, докато домакинът не натисне запис, след което вижда На живо. Първият ред ще се появи след малко. Избира от езиците, които домакинът е посочил (до 10 за транскрипция, от 100 налични), и чете транскрипта, докато говорителят говори. Домакинът продължава да говори на своя език. Слушателят може да смени езика по всяко време; транскриптът до този момент се показва отново на новия език.
Ако слушателят предпочита да слуша, всеки преведен ред се чете на глас. По подразбиране всеки говорител получава отделен стандартен глас със съответния пол, така че панелът все още звучи като панел.
Трите етапа се случват по ред, като всеки чака предишния. Разпознаването се нуждае от известно време реч, преди да потвърди думите, затова транскриптът изостава от говорителя с част от секундата. Преводът се нуждае от цяла фраза, защото редът на думите се различава между езиците и краят на изречението може да промени началото, затова идва с една-две секунди по-късно. Озвучаването се нуждае от преведеното изречение, преди да започне, затова изговореният ред идва последен. Нищо от това не е недостатък, който трябва да се настрои; така работи всяка система, която върши тези три неща, включително човешкият преводач, който също чака глагола.
Със съгласието на говорителя домакинът може да клонира гласа му от тридесет секунди, в които този човек говори сам (MP3, M4A или WAV файл; по-добре са няколко минути). Преводът тогава се чете с гласа на самия говорител на всеки език. Третирайте гласа като биометрични данни, каквито е. По GDPR обработката на глас за разпознаване на човек обикновено попада в специалните категории по член 9, а някои американски щати, сред които Илинойс, уреждат гласовите отпечатъци отделно. Получете изричното съгласие на говорителя, преди пробата да бъде записана, а не след това; гласът може да се изтрие по всяко време. Клонирането също регистрира говорителя, така че в бъдещите записи той се етикетира с името си. Домакинът може да присвои глас на всеки говорител или да заглуши един от тях.
Слушател, който дойде късно, вижда всичко, казано преди влизането му, след което следва на живо. Ако връзката прекъсне, страницата се възстановява сама, щом връзката се върне. Когато домакинът постави на пауза, слушателите виждат Паузирано. Транскриптът продължава, когато домакинът възобнови. Когато домакинът спре, страницата показва датата и продължителността на записа, а излъчването изброява миналите си записи за повторно възпроизвеждане.
Слушателят може да чете само това, което двигателят е чул, а разпознаването на живо греши в част от него.
Разделът Fix на екрана на домакина е точно за това. Mark uncertain words оцветява и подчертава думите, в които двигателят е бил несигурен; Click to correct отваря ред за преглед. Разделът обхожда несигурните сегменти един по един, така че втори човек на пулта може да ги преглежда, докато говорителят продължава.
Когато домакинът пренапише дума или ред, дори такъв, който още се изговаря, всеки слушател вижда поправката. Ред, чиято увереност е твърде ниска, се скрива от слушателите като Аудиото е неясно, вместо да се показва грешен; домакинът все още вижда всяка дума. Празното място е известна празнина; уверено грешната дума е слух.
Тези поправки не изчезват, когато разговорът приключи.
Всичко се пази. Записът, транскриптът с поправките и преводите, както и аудиото попадат в библиотеката на домакина. Повторното възпроизвеждане го пуска точно както е пристигнал, ред по ред, с аудиото си. Щом думите станат окончателни, на всеки език се пишат заглавие и резюме, а разделите Summary и Export на екрана на домакина ги извеждат директно от събитието.
Експортите са SRT субтитри, PDF, Excel или JSON, с включени поправки и преводи, а аудиото се изтегля като MP3. Всеки транскрипт се търси на всеки език.
Разделът Audience показва кой е слушал, на кой език и кога се е присъединил: често това е първото реално преброяване, което организаторът получава за това кой на кой език се нуждае. Дотогава обичайната оценка беше този, който вдигне ръка, когато на английски се попита дали се нуждае от превод. Идентификаторите на слушателите се изтриват заедно със записа.
Разпознаването на реч, разпознаването на говорители и синтезът на глас работят на сървъри, които ние управляваме, а вашето аудио не се изпраща на трети страни за обработка. Ние не използваме вашето аудио, транскрипти или гласове за обучение на модели.
Съхраняването следва плана: при Pay as you go изходното аудио и гласовете се пазят 7 дни, а транскрипциите – 30 дни; при Premium и Enterprise се пазят през целия живот на акаунта. Другото, което определя планът, е сметката.
Важни са две числа. При Pay as you go и Premium транскрипцията на живо струва $0.60 на час аудио, таксувана по секунда, с минимум 5 минути на транскрипция, както в таблото, така и през API; Enterprise има обемни цени. Слушателите и езиците са безплатни: събитие от един час, прочетено на пет езика от двеста души, струва $0.60. Файловете са по-евтини ($0.20 на час), защото транскрипцията на живо върви в реално време през цялото събитие. Плановете се различават по едновременност, максимална дължина на записа и скорост на стартиране; при Pay as you go студеният старт може да отнеме до 15 секунди, затова натиснете запис малко преди говорителя – приблизително с една реплика „Чува ли ме всеки отзад?“ по-рано. Пълната таблица е на страницата с цени.
Началната страница има демо с два телефона, а нов акаунт в таблото идва с кредит от $5 при регистрация и не изисква карта. По живата тарифа този кредит стига за над осем часа излъчване.
Колебаете се между това и живия превод, вграден в телефона на всеки? Прочетете защо телефонът не е достатъчен за зала. За цяло събитие контролният списък за многоезична конференция обхваща аудио пътя, няколко етапа на един линк и бюджета. Разработчиците могат да правят всичко това от код чрез справочника на API, на същата тарифа.
