Višejezičnoj prostoriji ne treba kabina za svaki jezik. Potrebni su jedan čist zvučni signal sa pulta, jedan link koji publika otvara na svojim telefonima i način da se pogrešno čuveno ime ispravi dok govor još traje.
Predavanje, služba, nastava ili sjednica općinskog vijeća imaju jednu osobu koja govori i publiku koja ne razmišlja svi na tom jeziku. Uobičajena rješenja su skupa, djelimična ili privatna.
Skupo rješenje je tumač za svaki jezik. Čak i kad je po jedan tumač za svaki jezik, to znači kabinu, set slušalica i stručnjaka za svaki jezik u prostoriji, a stručnjaci ne kažu isto. Svaki tumač pravi vlastite izbore pod vremenskim pritiskom: koju riječ upotrijebiti za neki termin, šta sažeti, šta izostaviti kad govornik ubrza. Na običnom predavanju razlike jedva da se primjećuju. Na sudskom saslušanju, sjednici vijeća ili tehničkom brifingu one su važne: definisani termin, doza ili klauzula mogu francuskim slušaocima značiti jedno, a arapskim drugo, i niko u prostoriji nije u poziciji da to primijeti. Djelimično rješenje je titlovanje na jednom ekranu, na samo jednom drugom jeziku. Privatno rješenje je pedeset telefona podignutih prema prostoriji: pedeset pomalo pogrešnih transkripata, jer svaki telefon jednako jasno čuje jeku i kašalj kao govornika.
Alternativa je da se govornik transkribuje jednom, iz čistog izvora, a zatim se taj jedan transkript prevede na jezik koji publika treba, tako da svi jezici polaze od istih riječi, a svaki slušalac bira na svom uređaju. Snimak se čuva kad događaj završi. Evo kako domaćin i slušalac to podešavaju i koliko košta.
Transkripcija uživo može slušati mikrofon na bilo kojem uređaju, RTMP signal iz OBS-a ili nekog drugog enkodera koji prima URL servera i ključ streama, YouTube prijenos uživo, internet radio stanicu ili bilo koji URL koji servira stream. Za stream, VocalStack sam preuzima zvuk; na vašoj strani ništa ne radi.
Izvor je važniji od bilo koje postavke. Mikrofon u prostoriji ili telefon na stolu čuje govornika i prostoriju: odjek od zidova, stolica, publike. Prepoznavanje govora naglo slabi kako glas postaje tiši u odnosu na tu buku, zato se ti pedeset telefona međusobno razlikuju. Signal s miksetnog pulta nosi govornikov vlastiti mikrofon s malo prostorije, pa transkript prati govornika, a ne prostoriju. Ako mjesto ima pult, uzmite signal sa njega.
Govorni jezik se detektuje automatski, a govornik može mijenjati jezik u bilo kojem trenutku; navođenje jezika unaprijed pomaže na bučnim snimcima i jakim naglascima. Oznake govornika mogu biti isključene, uključene ili When Needed, što ih uključuje čim se čuje drugi govornik. Kad zvuk počne dolaziti, publici treba mjesto gdje će ga pronaći.
Prijenos je link: jedna adresa i QR kod koji slušaoci skeniraju da bi otvorili prijevod uživo i izabrali jezik. Link se pravi od imena koje dodijelite prijenosu. Ako ga kasnije preimenujete, stari link i dalje radi, pa QR kod odštampan na programu ne zastari.
Prijenos je podrazumijevano javan: svako ko ima link može ga otvoriti. Ako ga učinite privatnim i postavite lozinku, slušaoci će biti pitani za nju prije nego se pojavi transkript.
Jednom prijenosu može se slati više transkripcija uživo, pa konferencija s dvije scene dijeli jedan link. Link dovodi ljude; ono što ih zadržava jesu tačna imena.
Sistemi za prepoznavanje govora uče se na tome kako ljudi obično govore, pa kad je zvuk dvosmislen, posegnu za uobičajenom riječju. Naziv proizvoda, prezime, selo, hemijska supstanca: svaki ima češću riječ koja zvuči skoro isto, i upravo ona izađe, osim ako sistem ne dobije do znanja da dolazi rijetka riječ. Upravo za to služi skripta. Dodajte skriptu ili slajdove prije početka, i imena i termini iz njih pobijedit će ono što je pogrešno čuto. Upravo na tim imenima i terminima prepoznavanje obično pada na specijalističkim predavanjima. Tokom snimanja kartica Script prati tekst kao teleprompter i osvjetljava riječi izgovorene do tog trenutka.
To je cijelo podešavanje. Na drugoj strani linka, još je manje posla.
Slušaocu je potreban link ili QR kod i telefon. Otvore link u pregledaču i vide The broadcast hasn't started yet dok domaćin ne pritisne snimanje, a zatim Live. The first line appears in a moment. Biraju među jezicima koje je domaćin izabrao (do 10 po transkripciji, od 100 dostupnih) i čitaju transkript dok govornik govori. Domaćin nastavlja govoriti na svom jeziku. Slušalac može promijeniti jezik u bilo kojem trenutku; transkript do tada se ponovo prikazuje na novom jeziku.
Ako slušalac radije sluša, svaka prevedena linija se čita naglas. Podrazumijevano, svaki govornik dobija poseban standardni glas odgovarajućeg roda, pa panel i dalje zvuči kao panel.
Tri faze se odvijaju redom, i svaka čeka prethodnu. Prepoznavanje treba dio govora prije nego što može potvrditi riječi, pa transkript kasni za govornikom djelić sekunde. Prevođenje treba cijelu frazu, jer se redoslijed riječi razlikuje među jezicima i kraj rečenice može promijeniti njen početak, pa kasni sekundu ili dvije. Govor treba prevedenu rečenicu prije nego može početi, pa govorna linija dolazi posljednja. Ništa od toga nije mana koju treba podešavati; to je ono što svaki sistem koji radi ove tri stvari mora raditi, uključujući i ljudskog tumača, koji također čeka glagol.
Uz dozvolu govornika, domaćin može klonirati glas govornika iz trideset sekundi u kojima ta osoba govori sama (MP3, M4A ili WAV; bolje je nekoliko minuta). Prijevod se tada čita glasom samog govornika na svim jezicima. Glas tretirajte kao biometrijske podatke koji jesu. Prema GDPR-u, glasovni podaci obrađeni radi prepoznavanja osobe općenito spadaju u posebne kategorije iz člana 9, a neke američke države, među njima Illinois, zasebno regulišu glasovne otiske. Dobijte izričitu saglasnost govornika prije snimanja uzorka, a ne poslije; glas se može obrisati u bilo kojem trenutku. Kloniranje također registruje govornika, pa se on u budućim snimcima označava imenom. Domaćin može dodijeliti glas svakom govorniku ili jednog utišati.
Slušalac koji dođe kasno vidi sve što je rečeno prije njegovog dolaska, a zatim prati uživo. Ako veza pukne, stranica se sama sustigne kad se veza vrati. Kad domaćin pauzira, slušaoci vide Paused. The transcript continues when the host resumes. Kad domaćin zaustavi prijenos, stranica prikazuje datum i dužinu snimka, a prijenos navodi svoje ranije snimke za ponovno puštanje.
Slušalac može čitati samo ono što je motor čuo, a prepoznavanje uživo neke riječi pogriješi.
Ekran domaćina ima karticu Fix upravo za to. Mark uncertain words boji i podvlači riječi za koje je motor bio nesiguran; Click to correct otvara liniju za pregled. Kartica prolazi kroz nesigurne segmente jedan po jedan, pa druga osoba za stolom može raditi kroz njih dok govornik nastavlja.
Kad domaćin prepiše riječ ili liniju, čak i onu koja se još izgovara, svaki slušalac vidi ispravku. Linija čija je pouzdanost preniska sakriva se od slušalaca kao Audio unclear umjesto da se prikaže pogrešno; domaćin i dalje vidi svaku riječ. Prazno mjesto je poznata rupa; samouvjereno pogrešna riječ je glasina.
Te ispravke ne nestaju kad se govor završi.
Sve se čuva. Snimak, njegov transkript s ispravkama i prijevodima, te zvuk završavaju u biblioteci domaćina. Ponovno puštanje reproducira ga tačno onako kako je stigao, liniju po liniju, sa zvukom. Kad su riječi konačne, naslov i sažetak se napišu na svakom jeziku, a kartice Summary i Export na ekranu domaćina ih odmah izvoze iz događaja.
Izvozi su SRT titlovi, PDF, Excel ili JSON, s ispravkama i prijevodima, a zvuk se preuzima kao MP3. Svaki transkript se može pretraživati na bilo kojem jeziku.
Prikaz Audience pokazuje ko je slušao, na kojem jeziku i kad se pridružio: često prvi pravi podatak koji organizator dobije o tome ko je trebao koji jezik. Dotad se obično procjenjivalo po tome ko je podigao ruku kad je, na engleskom, bilo pitano treba li mu prijevod. Identifikatori slušalaca brišu se zajedno sa snimkom.
Prepoznavanje govora, prepoznavanje govornika i sinteza glasa rade na serverima koje održavamo, a vaš zvuk se ne šalje nijednoj trećoj strani na obradu. Ne koristimo vaš zvuk, transkripte ili glasove za treniranje modela.
Zadržavanje prati paket: na Pay as you go izvorni zvuk i glasovi čuvaju se 7 dana, a transkripcije 30 dana; Premium i Enterprise ih čuvaju koliko traje račun. Ono drugo što paket određuje jeste račun.
Dva broja su važna. Na Pay as you go i Premium, transkripcija uživo košta $0.60 po satu zvuka, naplaćuje se po sekundi uz minimum od 5 minuta po transkripciji, i u kontrolnoj ploči i preko API-ja. Enterprise ima količinske cijene. Slušaoci i jezici su besplatni: jednočasovni događaj prenesen na pet jezika za dvjesto ljudi košta $0.60. Snimci su jeftiniji ($0.20 po satu), jer transkripcija uživo traje u stvarnom vremenu cijelog događaja. Paketi se razlikuju po broju istovremenih transkripcija, maksimalnoj dužini snimka i brzini pokretanja; na Pay as you go hladni start može trajati do 15 sekundi, zato pritisnite snimanje malo prije govornika, otprilike za jedno „Čuje li me neko u zadnjem redu?“ ranije. Potpuna tabela je na stranici s cijenama.
Početna stranica ima demo s dva telefona, a novi račun na kontrolnoj ploči dolazi s kreditom za registraciju od $5 i ne traži karticu. Po cijeni uživo, taj kredit pokriva više od osam sati prijenosa.
Razmišljate između ovoga i prevođenja uživo ugrađenog u svačiji telefon? Pročitajte zašto telefon nije dovoljan za prostoriju. Za cijeli događaj, kontrolna lista za višejezične konferencije pokriva audio put, nekoliko faza na jednom linku i budžet. Programeri sve ovo mogu raditi iz koda preko API reference, po istoj cijeni.
