Tačnost prevoda uživo uglavnom se određuje prije nego što se pokrene bilo koji model, položajem mikrofona. Uzmite zvuk sa miksete, transkribujte ga jednom, i greška postaje jedan red koji neko može ispraviti za sve.
Aplikacije za prevod ugrađene u telefone su stvarno dostignuće. Često rade na modelu za prepoznavanje govora dovoljno malom da stane u uređaj i njegovu bateriju (neke zvuk šalju na server kada postoji veza), i za kratke, jasne, svakodnevne rečenice rade svoj posao: pitanje za put, čitanje jelovnika, razgovor preko šaltera.
Prostorija puna ljudi koji slušaju jednog govornika je drugačiji problem. Stvari koje se kvare u stvarnom govoru upravo su ono s čim se mali model najgore nosi: neuobičajene riječi i imena, riječi koje zvuče slično („their” i „there”, „sail” i „sale”), stručni termini, akcenti, ljudi koji govore jedni preko drugih i pozadinska buka. U jedriličarskom klubu model koji čuje „sale” napravio je razumnu pretpostavku i samouvjerenu grešku.
Dvije stvari čine da mali model više pogađa nego veliki. Sabijen je da stane u telefon, pa poznaje manje riječi i manje načina na koje se one izgovaraju; prezime koje nije ranije sreo aproksimira samo na osnovu zvukova. A prepoznavanje uživo mora da se opredijeli za riječ prije nego što stigne ostatak rečenice, pa model ne može da iskoristi ono što bi razriješilo „sail” naspram „sale”: riječi koje slijede, ili spisak koji kaže o čemu je govor. U prepoznavanju govora kontekst znači upravo ove dvije stvari: okolne riječi i ono što je unaprijed poznato.
Kada model nije siguran, pogađa. Prevod se tada gradi na pretpostavci, a osoba koja ga čita nema načina da to sazna. Niko u prostoriji ne može da vidi da je red bio pogrešan, a kamoli da ga popravi. A prostorija nije jedan slušalac nego pedeset.
Telefon čuje prostoriju, a ne govornika. Razlog je udaljenost: mikrofon na reveru ili stolni mikrofon nalazi se nekoliko centimetara od usta, dok je telefon u dvanaestom redu udaljen deset metara ili više, a većina zvuka koji do njega dopre prvo se odbila od zidova, plafona i leđa stolica. Odbijeni zvuk stiže kasno i razvučen. Uz to telefon hvata osobu koja kašlje dva reda dalje, šapat komšije i ono što zvučnici rade glasu na putu kroz dvoranu. Svako mjesto dobija malo drugačiji snimak, pa svako mjesto dobija malo drugačiji transkript.
Telefon, osim toga, prevodi samo za jednu osobu. Pedeset gostiju koji podignu pedeset telefona dobija pedeset nezavisnih transkripata istog govora, sa pedeset različitih skupova grešaka. Dvije osobe koje poslije upoređuju bilješke neće se složiti šta je rečeno. Govornik, s druge strane, obraća se zidu podignutih telefona, što je teška publika za čitanje.
Za neke ljude u prostoriji ovo je više od neugodnosti: određuje hoće li uopšte moći pratiti govor. Gost sa oštećenim sluhom ili neko ko prati na trećem jeziku treba jedan tačan zajednički tekst, a ne pedeset najboljih pokušaja. To znači transkribovati govornika jednom i dati svima isti rezultat. Transkribovanje jednom se isplati tek ako se uradi dobro, a to počinje od toga odakle dolazi zvuk.
Transkript je dobar koliko i zvuk od kojeg je nastao. Zato prva odluka nije koji model koristiti, nego koji signal mu dati. Druga je šta mu reći prije nego što počne.
Transkripcija uživo uzima zvuk odakle god je čist signal već dostupan:
VocalStack sam preuzima URL stream, tako da s vaše strane ništa ne radi. RTMP feed funkcioniše obrnuto: vaš enkoder ga šalje. Jezik govornika se detektuje automatski, a govornik može mijenjati jezik u bilo kom trenutku. Ako znate jezik i snimak je bučan ili jako akcentovan, njegovo navođenje poboljšava tačnost.
Čist zvuk uklanja greške nastale zbog prostorije. Ne čini ništa za greške nastale zbog rječnika, a njima je potrebna drugačija vrsta pomoći.
Telefon ne zna ko govori niti o čemu je govor, pa su naziv proizvoda ili prezime samo još jedan zvuk koji se aproksimira. Emitovanje se može unaprijed upozoriti šta da očekuje.
Ako prije početka dodate scenarij ili slajdove, imena i termini iz njih imaju prednost nad onim što je motor pogrešno čuo. Tokom snimanja Script tab prati govornika kao teleprompter. Ovo je najveći pojedinačni dobitak u tačnosti za vrstu govora koja ispunjava konferencije i predavanja: gusto punjene vlastitim imenicama i riječima koje nijedan model opšte namjene nije dovoljno često čuo.
Dobar zvuk i rječnik uklanjaju većinu grešaka. Pitanje je šta se dešava s greškama koje ostanu.
Čak i uz dobar zvuk i scenarij, neki redovi će izaći pogrešni. Razlika je u tome šta se dešava poslije.
Na telefonu, ništa. Pogrešan red prođe, a prevod izgrađen na njemu ide s njim.
U emitovanju se red koji je previše nejasan da bi se prikazao sakriva od slušalaca kao „Audio unclear”, umjesto da se predstavi kao činjenica.
Tu je i domaćin, koji ima Fix tab: riječi u kojima je motor bio nesiguran mogu se obojiti i podvući, klik otvara red za pregled, a bilo koja riječ ili red može se ponovo napisati dok je transkripcija još uživo. Svaki slušalac vidi ispravku na svom jeziku. Svaka ispravka je označena i može se poništiti.
Poenta nije u tome da server nikad ne griješi. Poenta je da greška bude vidljiva, da je neko u prostoriji preuzme na sebe i da se ispravi jednom za sve.
Ispravke popravljaju ono što slušaoci čitaju. Slušaoci koji radije slušaju govor dobijaju isti ispravljeni tekst, izgovoren.
Slušalac koji radije sluša nego čita može dobiti svaki prevedeni red naglas. Podrazumijevano, svaki govornik dobija zasebni standardni glas odgovarajućeg roda, pa panel i dalje zvuči kao panel. Možete dodijeliti glas svakom govorniku ili jednog utišati.
Uz saglasnost govornika možete otići dalje i klonirati njegov glas iz trideset sekundi govora, bilo da je otpremljen kao isječak ili uzet direktno iz snimka tog govornika; nekoliko minuta daje bolji rezultat. Prijevod se tada čita glasom samog govornika na svakom jeziku. Govornik sa sačuvanim glasom može se prepoznati i u kasnijim snimcima, iako sistem radije ostavi govornika bez imena nego da pogrešno imenuje osobu.
Dva pravila važe, i namjerna su. Klonirani glas je biometrijski podatak: pravi se samo uz izričitu saglasnost govornika i može se obrisati u bilo kom trenutku. A glas uvijek govori samo transkript ili njegov prijevod; ne može se natjerati da kaže nešto što njegov vlasnik nikad nije rekao.
Sve dosad se dešava dok govornik govori. Posljednja razlika se pokaže tek kad prestane.
Pedeset telefonskih transkripata nestane čim se aplikacije zatvore. Emitovanje čuva snimak u vašoj biblioteci: zvuk i transkript sa svakom ispravkom i prijevodom. Tu se može ponovo reproducirati red po red, pretraživati na bilo kojem jeziku i izvesti. Vodič Jedan link za sve jezike objašnjava šta biblioteka radi. Slušaoci ne koštaju ništa, koliko god ih bilo. Plaćate zvuk koji je transkribovan, po $0.60 po satu za uživo, uz minimum od 5 minuta po transkripciji, a stranica cijena ima cjenovnik.
Telefon u svakoj ruci je i dalje dobar rezervni plan za razgovor u hodniku. Za prostoriju koja mora zajedno razumjeti jednog govornika, govornik treba biti transkribovan jednom, iz izvora, uz nekoga ko može popraviti ono što pođe po zlu. Kako to izgleda, možete vidjeti u interaktivnoj demonstraciji na početnoj stranici.
