Una sala multilingüe no necessita una cabina per idioma. Necessita un senyal d'àudio net des de la taula de so, un enllaç que el públic obre als seus propis mòbils i una manera de corregir un nom mal entès mentre la xerrada continua.
Una xerrada, un servei, una classe o una sessió de ple municipal tenen una persona que parla i un públic que no pensa tot en aquella llengua. Les respostes habituals són cares, parcials o privades.
La resposta cara és un intèrpret per a cada llengua. Fins i tot amb un per llengua, cal una cabina, un conjunt de receptors i un especialista per a cada idioma de la sala, i els especialistes no diuen el mateix. Cada intèrpret fa les seves pròpies decisions sota pressió de temps: quina paraula triar per a un terme, què condensar, què deixar de banda quan l'orador s'accelera. En una xerrada corrent, les diferències gairebé no importen. En una vista judicial, una votació municipal o una presentació tècnica sí: un terme definit, una dosi o una clàusula poden arribar als oients francesos amb un sentit i als àrabs amb un altre, i ningú de la sala és en condicions d'adonar-se'n. La resposta parcial és un subtítol en una sola pantalla, en només una segona llengua. La resposta privada són cinquanta mòbils aixecats cap a la sala: cinquanta transcripcions lleugerament errònies, cadascuna sentint l'eco i la tos tan clarament com l'orador.
L'alternativa és transcriure l'orador una sola vegada, a partir d'una font neta, traduir aquesta única transcripció a les llengües que necessiti el públic, de manera que totes les llengües partin de les mateixes paraules, i deixar que cada oient triï des del seu propi dispositiu. La gravació es guarda quan acaba l'acte. Aquí tens com ho configuren l'amfitrió i l'oient, i què costa.
Una transcripció en directe pot escoltar un micròfon de qualsevol dispositiu, un senyal RTMP d'OBS o de qualsevol altre codificador que accepti una URL de servidor i una clau d'emissió, una emissió en directe de YouTube, una emissora de ràdio per internet o qualsevol URL que serveixi un flux. Per a un flux, VocalStack en recull l'àudio pel seu compte; no cal que res s'executi pel vostre costat.
La font importa més que qualsevol ajust. Un micròfon de sala, o un mòbil sobre una taula, sent l'orador i la sala: la reverberació de les parets, les cadires i el públic. El reconeixement de la parla empitjora molt quan la veu es fa més fluixa en relació amb aquest soroll, per això aquells cinquanta mòbils no coincideixen entre ells. Un senyal de la taula de mescla porta el micròfon del propi orador amb poc de la sala, de manera que la transcripció segueix l'orador i no la sala. Si el local té taula de so, agafa-hi el senyal.
L'idioma parlat es detecta automàticament, i l'orador pot canviar-lo en qualsevol moment; indicar-lo abans ajuda en les gravacions amb soroll i en els accents marcats. Les etiquetes de parlant es poden desactivar, activar o deixar en When Needed, cosa que les activa quan se sent un segon parlant. Quan ja arriba àudio, el públic necessita un lloc on trobar-lo.
Una emissió és l'enllaç: una adreça i un codi QR que els oients escanegen per obrir la traducció en directe i triar el seu idioma. L'enllaç es fa a partir del nom que dones a l'emissió. Si la canvies de nom més tard, l'enllaç antic continua funcionant, de manera que un codi QR imprès en un programa no es fa obsolet.
Una emissió és pública per defecte: qualsevol amb l'enllaç la pot obrir. Si la fas privada i hi poses una contrasenya, els oients han de donar-la abans que aparegui la transcripció.
Una mateixa emissió pot alimentar-se de diverses transcripcions en directe, de manera que una conferència amb dos escenaris comparteix un únic enllaç. L'enllaç fa que la gent entri; el que la fa quedar-s'hi és encertar els noms.
Els reconeixedors de veu s'entrenen amb la manera habitual com parla la gent, de manera que, quan un so és ambigu, tiren pel mot més comú. Un nom de producte, un cognom, un poble, un compost químic: cadascun té un quasi homòfon més freqüent, i és el que surt si el reconeixedor no sap que s'acosta la paraula rara. Per això serveix un guió. Afegeix un guió o unes diapositives abans de començar, i els noms i termes que hi apareguin guanyaran als que s'hagin sentit malament. Aquests noms i termes són on el reconeixement sol fallar en una xerrada especialitzada. Durant la gravació, la pestanya Script segueix el text com un teleprompter, il·luminant les paraules ja pronunciades.
Aquesta és tota la configuració. A l'altra banda de l'enllaç, encara hi ha menys feina.
L'oient necessita un enllaç o un codi QR, i un mòbil. Obre l'enllaç al navegador i veu The broadcast hasn't started yet fins que l'amfitrió prem gravar, i després Live. The first line appears in a moment. Tria entre els idiomes que ha escollit l'amfitrió (fins a 10 per transcripció, d'entre 100 disponibles) i llegeix la transcripció mentre l'orador parla. L'amfitrió continua parlant en la seva llengua. L'oient pot canviar d'idioma en qualsevol moment; la transcripció feta fins llavors es torna a mostrar en el nou idioma.
Si l'oient prefereix escoltar, cada línia traduïda es llegeix en veu alta. Per defecte, cada parlant té una veu predefinida diferent del gènere que correspon, de manera que una taula rodona continua sonant com una taula rodona.
Les tres fases passen en ordre, i cadascuna espera l'anterior. El reconeixement necessita un tram de parla abans de poder fixar les paraules, de manera que la transcripció va una fracció de segon per darrere de l'orador. La traducció necessita una frase sencera, perquè l'ordre de les paraules canvia d'una llengua a una altra i el final d'una oració pot canviar el començament, de manera que va un o dos segons més tard. La parla necessita la frase traduïda abans de poder començar, i per això una línia parlada és l'última. Res d'això és un defecte per eliminar; és el que ha de fer qualsevol sistema que faci aquestes tres coses, inclòs un intèrpret humà, que també espera el verb.
Amb el permís de l'orador, l'amfitrió pot clonar-ne la veu a partir de trenta segons de la persona parlant sola (un MP3, M4A o WAV; millor uns quants minuts). La traducció es llegeix aleshores amb la veu del mateix orador en totes les llengües. Cal tractar una veu com la dada biomètrica que és. Segons el RGPD, les dades de veu tractades per reconèixer una persona solen entrar dins de les categories especials de l'article 9, i alguns estats dels EUA, entre ells Illinois, regulen les empremtes de veu per separat. Obtén el consentiment explícit de l'orador abans que es gravi la mostra, no després; la veu es pot eliminar en qualsevol moment. La clonació també registra l'orador, de manera que queda etiquetat pel seu nom en les gravacions futures. L'amfitrió pot assignar una veu a cada parlant o silenciar-ne un.
Un oient que arriba tard veu tot el que s'ha dit abans que entrés i després segueix en directe. Si la connexió cau, la pàgina es posa al dia sola quan la connexió torna. Quan l'amfitrió fa una pausa, els oients veuen Paused. The transcript continues when the host resumes. Quan l'amfitrió atura l'emissió, la pàgina mostra la data i la durada de la gravació, i l'emissió llista les gravacions anteriors per reproduir-les.
Un oient només pot llegir el que el motor ha sentit, i el reconeixement en directe n'encerta part i en falla part.
La pantalla de l'amfitrió té una pestanya Fix precisament per a això. Mark uncertain words pinta i subratlla les paraules de les quals el motor no n'estava segur; Click to correct obre una línia per revisar. La pestanya recorre els segments dubtosos d'un en un, de manera que una segona persona a la taula pot anar-los revisant mentre l'orador continua.
Quan un amfitrió reescriu una paraula o una línia, fins i tot una que encara s'està dient, tots els oients veuen la correcció. Una línia amb una confiança massa baixa s'amaga als oients com a Audio unclear en lloc de mostrar-se malament; l'amfitrió continua veient totes les paraules. Un buit és una llacuna coneguda; una paraula incorrecta segura és un rumor.
Aquestes correccions no desapareixen quan acaba la xerrada.
Tot es guarda. La gravació, la seva transcripció amb les correccions i les traduccions, i l'àudio arriben a la biblioteca de l'amfitrió. La repetició el reprodueix exactament com va arribar, línia per línia, amb el seu àudio. Quan les paraules són definitives, es redacta un títol i un resum en cada llengua, i les pestanyes Summary i Export de la pantalla de l'amfitrió els porten directament fora de l'acte.
Les exportacions són subtítols SRT, PDF, Excel o JSON, amb les correccions i les traduccions incloses, i l'àudio es baixa en MP3. Cada transcripció es pot cercar en qualsevol llengua.
La vista Audience mostra qui ha escoltat, en quin idioma i a quina hora s'ha unit: sovint el primer recompte real que té un organitzador de qui necessitava quin idioma. Fins aleshores, l'estimació habitual era qui aixecava la mà quan es preguntava en anglès si necessitava traducció. Els identificadors dels oients se suprimeixen amb la gravació.
El reconeixement de la parla, el reconeixement de parlants i la síntesi de veu s'executen en servidors que nosaltres operem, i el vostre àudio no s'envia a cap tercer per al seu tractament. No fem servir el vostre àudio, les vostres transcripcions ni les vostres veus per entrenar models.
La retenció segueix el pla: en Pagament per ús, l'àudio d'origen i les veus es guarden durant 7 dies i les transcripcions durant 30 dies; Premium i Enterprise les guarden durant tota la vida del compte. L'altra cosa que decideix un pla és la factura.
Hi ha dos números que importen. En Pagament per ús i en Premium, la transcripció en directe costa $0.60 per hora d'àudio, facturada per segon amb un mínim de 5 minuts per transcripció, tant al tauler com a través de l'API; Enterprise té tarifes per volum. Els oients i els idiomes són gratuïts: un acte d'una hora llegit en cinc llengües per dues-centes persones costa $0.60. Els fitxers són més barats ($0.20 per hora) perquè una transcripció en directe s'executa en temps real durant tot l'acte. Els plans es diferencien en concurrència, durada màxima de la gravació i velocitat d'arrencada; en Pagament per ús un arrencada en fred pot trigar fins a 15 segons, de manera que cal prémer gravar una mica abans que parli l'orador, més o menys un «Em sent tothom al fons?» abans. La taula completa és a la pàgina de preus.
La pàgina d'inici té una demostració amb dos mòbils, i un compte nou al tauler inclou un crèdit de registre de $5 i no demana targeta. Al preu en directe, aquest crèdit cobreix més de vuit hores d'emissió.
Dubtes entre això i la traducció en directe integrada al mòbil de tothom? Llegeix per què un mòbil no és suficient per a una sala. Per a un acte sencer, la llista de verificació per a conferències multilingües cobreix el camí de l'àudio, diverses fases en un sol enllaç i el pressupost. Els desenvolupadors poden fer tot això des del codi a través de la referència de l'API, al mateix preu.
