Transkripcija i prijevod u realnom vremenu: kako radi govor u tekst uživo, koliko kasni, šta utiče na tačnost i koliko košta.
Transkripcija u realnom vremenu pretvara govor u tekst dok osoba još govori. Riječi se pojavljuju na ekranu trenutak nakon što su izgovorene, učvršćuju se u konačne redove i mogu ih čitati svi koji prate. Dodajte prijevod u realnom vremenu i svaki čitalac može pratiti isti govor na svom jeziku, kao tekst ili naglas.
Ovaj vodič obrađuje transkripciju i prijevod u realnom vremenu s obje strane: šta vidi slušalac, odakle zvuk može dolaziti, šta određuje tačnost, šta programeri dobijaju od API-ja i koliko košta.
Transkripcija u realnom vremenu, zvana i transkripcija uživo ili govor u tekst uživo, jeste prepoznavanje govora koje radi dok zvuk još stiže. Snimljena datoteka može se transkribovati uz cijeli snimak pri ruci. Transkripcija uživo mora se obavezati na riječi uz samo posljednjih nekoliko sekundi, i održavati korak s govornikom koliko god on govori.
Titlovi uživo su ista stvar prikazana kao kratki redovi preko videa ili na ekranu.
Na VocalStacku transkripcija uživo može slušati na 100 jezika. Sama prepoznaje govorni jezik i prati govornika ako ga promijeni, što objašnjava kako radi automatsko prepoznavanje jezika, zajedno s tim kad jezik treba unaprijed navesti.
Tekst stiže u dvije faze. Najnovije riječi se prvo pojave kao nacrt, koji se još može promijeniti kad stigne više zvuka. Trenutak kasnije nacrt se učvrsti u konačan red koji se više ne mijenja.
Nacrt postoji jer prepoznavač riječ dijelom odlučuje prema onome što slijedi. Riječ "kosa" može značiti frizuru ili alat dok sljedeća riječ ne kaže koje je od to dvoje. Rano prikazivanje pretpostavke ono je što transkript čini živim.
Koliko tekst kasni za govornikom zavisi od faze:
Dva kašnjenja stoje izvan tog lanca. Kad je izvor javni strim, a ne mikrofon, strim već kasni za svojom živom ivicom: jednu do tri sekunde za običan strim internet radija, a od nekoliko sekundi do pola minute za HLS. I na Pay as you go transkripciji uživo može trebati do 15 sekundi da krene. Potpuna razrada, uključujući režime kašnjenja Auto, Fast i Accuracy, nalazi se u kašnjenju prijevoda uživo, objašnjeno.
Prijevod radi povrh transkripta. Transkripcija uživo može se prevesti na do 10 jezika odjednom, odabranih od 100. Svaki slušalac bira jedan od njih na svom uređaju i može ga promijeniti u svakom trenutku; dosadašnji transkript prikaže se ponovo na novom jeziku.
Svaki jezik se prevodi iz istog transkripta, pa svaki slušalac dobija iste riječi, a ispravka stiže do svih.
Slušalac koji radije sluša nego čita može dati da se svaki preveden red čita naglas. Podrazumijevano svaki govornik dobija poseban standardni glas koji odgovara njegovom polu, pa panel i dalje zvuči kao nekoliko ljudi. Uz pristanak govornika, domaćin može klonirati njegov glas iz otprilike 30 sekundi njegovog govora, a prijevod se potom čita njegovim vlastitim glasom.
Pravilo za glasove je namjerno usko. Glas uvijek čita samo ono što je ista osoba rekla, prevedeno na jezik koji je slušalac odabrao. Nikad ne čita tekst koji neko ukuca i nikad ne čita riječi jednog govornika glasom drugog.
Kako ovo funkcioniše za cijelu salu, od postavljanja domaćina do onog ko stigne kasno, nalazi se u jedan link, svaki jezik.
Transkripciji uživo treba izvor zvuka. Ovo su oni koje VocalStack danas prihvata:
Titlovi unutar YouTubeovog plejera, preko njegovog CC dugmeta, stižu uskoro. Do tada gledaoci YouTube prijenosa prate titlove na linku prijenosa.
Ako vam danas treba transkripcija uživo na Windowsu, tamo rade Chrome ili Edge dodatak, OBS dodatak i kontrolna ploča u pregledaču.
Prijenos je način na koji drugi ljudi prate transkripciju uživo. To je jedan link i QR kod. Slušaoci ga otvore u pregledaču, odaberu jezik i čitaju. Ne trebaju nalog, ništa ne instaliraju i ništa ne koštaju: račun se ne mijenja s brojem slušalaca ili jezika.
Prijenos je podrazumijevano javan i može se zaštititi lozinkom. Ako preimenujete njegov link, stari nastavlja raditi, pa QR kod odštampan na programu ne zastarijeva. Jedan prijenos može nositi više transkripcija uživo, pa dvije bine mogu dijeliti jedan link.
Slušalac koji stigne kasno vidi sve što je rečeno prije nego što je ušao, a zatim prati uživo. Poslije, prikaz Audience pokazuje ko je slušao, na kojem jeziku i kad se pridružio.
Za događaje, kontrolna lista za višejezične konferencije pokriva zvuk, bine i budžet, a transkripcija uživo za crkve, predavaonice i sale gradskih vijeća pokriva sedmičnu verziju istog postavljanja.
Sve gore navedeno može se uraditi iz koda. Za zvuk uživo u vašoj vlastitoj aplikaciji API ima sesije u realnom vremenu: vaš server uputi jedan poziv na POST /v1/realtime/sessions s API ključem i dobije kratkotrajni streamUrl. Vaš klijent otvori WebSocket prema njemu, šalje sirovi zvuk dok se snima i čita transkript nazad kao JSON okvire.
Okviri slijede iste dvije faze koje vidi čitalac. transcript.draft zamjenjuje živi rep, transcript.committed dodaje konačan red, a uz uključen prijevod stižu cijele rečenice s priloženim prijevodima. Ciljni jezici, oznake govornika i režim kašnjenja mogu se mijenjati usred sesije pomoću session.update.
Sesija u realnom vremenu ne pohranjuje ništa. Kad želite da riječi budu sačuvane, ispravljene i podijeljene s publikom, umjesto toga objavite zvuk u transkripciju uživo i prijenos. Zvanični SDK-ovi za TypeScript, Python i PHP obavijaju oboje, a MCP server omogućava AI asistentu da koristi isti nalog.
Vodič za WebSocket korak po korak gradi funkcionalan prikaz titlova, a API referenca ima svako polje. Upotreba API-ja naplaćuje se po istoj cijeni kao kontrolna ploča.
Tačnost se uglavnom određuje prije nego što bilo koji prepoznavač proradi, zvukom koji dobije. Četiri stvari čine najveću razliku.
Mikrofon. Mikrofon blizu govornika, ili signal s miksete prostora, nosi glas s malo prostorije u sebi. Telefon na stolu čuje govornika plus odjek, stolice i kašljanje. To je najveći pojedinačni faktor, a zašto telefon nije dovoljan za salu objašnjava zašto.
Šum i preklapanje. Šum u pozadini uzrokuje ispuštene i izmišljene riječi, a dvije osobe koje govore istovremeno zbunjuju i riječi i to ko ih je rekao. Greške u transkripciji zvuka navode sedam čestih uzroka, kako izgleda svaki i kako ga ispraviti.
Referentna skripta. Poznata imena i izrazi prepoznaju se onakvi kakvi jesu. Nazivi proizvoda neke kompanije, interna skraćenica ili neobično prezime gosta ne mogu se znati unaprijed, zato dodajte skriptu ili slajdove prije početka, pa se imena i izrazi iz njih pišu tačno onako kako ste ih vi napisali.
Oznake govornika. Oznake mogu biti Off, On ili When Needed, što ih uključuje kad se čuje drugi govornik. Dijarizacija govornika naspram prepoznavanja govora objašnjava kako su ta dva odgovora, šta je rečeno i ko je rekao, odvojena i ispravljaju se odvojeno.
Važan je i režim kašnjenja: Fast ranije izbacuje tekst ali ga više revidira, Accuracy čeka malo duže.
Jedan broj o tačnosti govori manje nego što se čini. Stopa grešaka u riječima broji pogrešno ime isto kao ispuštenu riječ "i", zbog čega šta mjeri stopa grešaka u riječima, i šta propušta zagovara da se sistem ocjenjuje prema tome koje greške vam dozvoljava da uhvatite i ispravite.
Nijedan transkript uživo nije savršen, pa ekran domaćina ima karticu Fix. Ona može označiti riječi u koje je prepoznavač bio nesiguran, a bilo koji red može se otvoriti i ispraviti. Druga osoba za stolom može ih prolaziti dok govornik nastavlja.
Kad domaćin prepiše riječ ili red, čak i onaj koji se još izgovara, svaki slušalac vidi ispravku, na svakom jeziku. Red prepoznat s premalo pouzdanosti skriva se od slušalaca kao "Audio unclear" umjesto da se prikaže pogrešno; domaćin ga i dalje vidi.
Snimak se čuva sa svojim transkriptom, ispravkama i prijevodima. Poslije možete:
Koliko dugo se čuvaju zvuk i transkripti zavisi od paketa, a stranica s cijenama to navodi.
Većina alata za transkripciju uživo izgleda slično u demou; razlike se vide u pitanjima ispod. Desna kolona opisuje VocalStack kakav je danas.
| Pitanje | Zašto je važno | VocalStack |
|---|---|---|
| Koje jezike može čuti? | Alat koji ne može transkribovati govornikov jezik ne pomaže, koliko god prijevod bio dobar. | 100 jezika, prepoznaju se automatski, uz promjenu usred govora |
| Koliko tekst kasni za govornikom? | Čitaoci primijete sve veći jaz više nego povremenu pogrešnu riječ. | Izvorni tekst kasni djelić sekunde, prijevod sekundu ili dvije kasnije; tri režima kašnjenja |
| Prevodi li i ko bira jezik? | Jedan jezik titlova na jednom ekranu isključuje sve ostale. | Do 10 jezika po transkripciji, svaki slušalac bira svoj |
| Može li naglas čitati prijevod? | Neki slušaoci ne mogu čitati, ili radije ne bi. | Standardni glasovi podrazumijevano; vlastiti klonirani glas govornika uz pristanak |
| Kako ga publika dobija? | Aplikacije i nalozi gube ljude na vratima. | Jedan link i QR kod, bez naloga, lozinka po želji |
| Mogu li se greške ispravljati uživo? | Pogrešno shvaćeno ime ponavljano sat vremena pravi stvarnu štetu. | Ispravke uživo poslane svakom slušaocu |
| Odakle zvuk može dolaziti? | Vaše postavljanje ne bi trebalo da se mijenja da bi odgovaralo alatu. | Mikrofon, dodaci za pregledač, desktop aplikacija, OBS, RTMP, linkovi strimova |
| Postoji li API? | Možda želite titlove unutar vlastitog proizvoda. | REST i WebSocket API, SDK-ovi, MCP server, ista cijena kao kontrolna ploča |
| Kako se naplaćuje? | Cijena po slušaocu ili po mjestu raste s vašom publikom. | Po sekundi zvuka; slušaoci i jezici besplatni |
Na VocalStacku plaćate po sekundi transkribovanog zvuka. U vrijeme pisanja, transkripcija uživo košta $0.60 po satu, a datoteke $0.20 po satu, na svakom paketu, u kontrolnoj ploči i preko API-ja jednako. Prijevod, glasovi, sažeci, prijenos i slušaoci nikad ne dodaju ništa računu, pa jednosatno izlaganje koje čita 200 ljudi na pet jezika košta isto $0.60 kao ono koje ne čita niko.
Paketi se razlikuju u nekoliko stvari:
Ako niko ne treba da čita dok se to dešava, otpremite snimak poslije po cijeni za datoteke. Trenutne cijene, čuvanje i ograničenja za svaki paket su na stranici s cijenama.
Novi VocalStack račun dolazi s $5 kredita dobrodošlice i ne treba karticu. Po $0.60 po satu to je oko osam sati transkripcije uživo, uz uključen prijevod i prijenos. Nakon toga plaćate po sekundi. Slušaoci su uvijek besplatni.
Da. Transkripcija uživo može se prevesti na do 10 jezika odjednom dok osoba govori. Prijevod se pojavi sekundu ili dvije nakon izvornog teksta, a svaki slušalac bira svoj jezik.
Zavisi uglavnom od zvuka. Mikrofon blizu ili signal s miksete, malo šuma u pozadini, jedna osoba koja govori u isto vrijeme i referentna skripta s imenima daju najbolje rezultate. Ispravke uživo dozvoljavaju domaćinu da popravi ono što je još pogrešno dok izlaganje traje.
Tekst na izvornom jeziku kasni za govornikom djelić sekunde, a prijevodi slijede sekundu ili dvije kasnije. Javni strim dodaje vlastito kašnjenje prije nego što zvuk stigne do VocalStacka.
Da, preko Chrome ili Edge dodatka, dodatka za OBS Studio ili kontrolne ploče u pregledaču. Desktop aplikacija je danas za macOS, a Windows stiže uskoro.
Ne. Slušaoci otvore link prijenosa ili skeniraju njegov QR kod u pregledaču, odaberu jezik i čitaju. Ništa se ne instalira.
Otvorite kontrolnu ploču, pokrenite transkripciju uživo s mikrofona i otvorite link njenog prijenosa na telefonu. Kredit dobrodošlice pokriva vaše prve sate, a sami možete vidjeti kako se nacrti učvršćuju i prijevod slijedi.