Transcripció i traducció en temps real explicades: com funciona la veu a text en directe, quant de retard té, què afecta la precisió i què costa.
La transcripció en temps real converteix la parla en text mentre la persona encara parla. Les paraules apareixen a la pantalla un moment després de dir-se, es fixen en línies definitives i les pot llegir qualsevol que hi estigui atent. Afegeix-hi traducció en temps real i cada lector pot seguir la mateixa intervenció en la seva llengua, en text o en veu alta.
Aquesta guia cobreix la transcripció i la traducció en temps real des dels dos costats: què veu un oient, d'on pot venir l'àudio, què decideix la precisió, què obtenen els desenvolupadors d'una API i què costa.
La transcripció en temps real, també anomenada transcripció en directe o veu a text en directe, és un reconeixement de la parla que s'executa mentre l'àudio encara arriba. Un fitxer gravat es pot transcriure amb tot l'enregistrament a la mà. Una transcripció en directe ha de comprometre's amb unes paraules tenint només els últims segons, i seguir el ritme de qui parla tot el temps que parli.
Els subtítols en directe són el mateix mostrat com a línies curtes sobre un vídeo o en una pantalla.
A VocalStack, una transcripció en directe pot escoltar en 100 llengües. Detecta sola la llengua parlada i segueix l'orador si en canvia, cosa que com funciona la detecció automàtica de llengua explica, juntament amb quan convé indicar la llengua per endavant.
El text arriba en dues fases. Les paraules més recents apareixen primer com a esborrany, que encara pot canviar a mesura que entra més àudio. Un moment després, l'esborrany es fixa en una línia definitiva que ja no torna a canviar.
L'esborrany existeix perquè un reconeixedor decideix una paraula en part per la que ve després. «Ice cream» i «I scream» sonen igual fins que arriba la paraula següent. Mostrar la hipòtesi aviat és el que fa que una transcripció se senti en directe.
Quant de retard té el text respecte de qui parla depèn de la fase:
Dos retards queden fora d'aquesta cadena. Quan la font és una emissió pública i no un micròfon, l'emissió mateixa ja va endarrerida respecte del seu moment en directe: un segon o tres en una emissora d'internet senzilla, i des d'uns quants segons fins a mig minut en HLS. I en Pagament per ús, una transcripció en directe pot trigar fins a 15 segons a arrencar. El desglossament complet, incloses les modalitats de latència Auto, Fast i Accuracy, és a la latència de la traducció en directe, explicada.
La traducció s'executa sobre la transcripció. Una transcripció en directe es pot traduir a fins a 10 llengües alhora, triades entre 100. Cada oient en tria una al seu propi dispositiu i la pot canviar en qualsevol moment; la transcripció fins aquell punt es mostra de nou en la nova llengua.
Totes les llengües es tradueixen a partir de la mateixa transcripció, de manera que tots els oients reben les mateixes paraules, i una correcció els arriba a tots.
Un oient que prefereixi escoltar en lloc de llegir pot fer que cada línia traduïda es llegeixi en veu alta. Per defecte, cada parlant rep una veu predefinida diferent que concorda amb el seu gènere, de manera que un debat continua sonant com diverses persones. Amb el consentiment d'un parlant, l'amfitrió pot clonar-ne la veu a partir d'uns 30 segons de la persona parlant sola, i la traducció es llegeix aleshores amb la seva veu.
La regla per a les veus és estreta a propòsit. Una veu només llegeix mai el que aquella mateixa persona ha dit, traduït a una llengua que l'oient ha triat. No llegeix mai un text que algú escriu, i no llegeix mai les paraules d'un parlant amb la veu d'un altre.
Com funciona això per a tota una sala, des de la configuració de l'amfitrió fins a algú que arriba tard, és a un enllaç, totes les llengües.
Una transcripció en directe necessita una font d'àudio. Aquestes són les que VocalStack accepta avui:
Els subtítols dins del reproductor de YouTube, amb el seu botó CC, arribaran aviat. Fins aleshores, els espectadors d'una emissió de YouTube segueixen els subtítols a l'enllaç de l'emissió.
Si necessites transcripció en directe a Windows avui, l'extensió de Chrome o d'Edge, el connector d'OBS i el tauler en un navegador hi funcionen.
Una emissió és com altres persones segueixen una transcripció en directe. És un enllaç i un codi QR. Els oients l'obren en un navegador, trien una llengua i llegeixen. No necessiten cap compte ni instal·lar res, i no costen res: la factura no canvia amb el nombre d'oients ni de llengües.
Una emissió és pública per defecte i es pot protegir amb una contrasenya. Si canvies el nom del seu enllaç, l'antic continua funcionant, de manera que un codi QR imprès en un programa no es queda obsolet. Una mateixa emissió pot portar diverses transcripcions en directe, de manera que dos escenaris poden compartir un enllaç.
Un oient que arriba tard veu tot el que s'ha dit abans d'entrar, i després segueix en directe. Després, la vista Audience mostra qui ha escoltat, en quina llengua i quan s'ha unit.
Per a esdeveniments, la llista de verificació per a conferències multilingües cobreix l'àudio, els escenaris i el pressupost, i transcripció en directe per a esglésies, aules i sales de plens cobreix la versió setmanal de la mateixa configuració.
Tot el que s'ha dit es pot fer des del codi. Per a àudio en directe a la teva pròpia aplicació, l'API té sessions en temps real: el teu servidor fa una crida a POST /v1/realtime/sessions amb una clau d'API i rep un streamUrl de vida curta. El teu client hi obre un WebSocket, envia l'àudio en brut a mesura que es captura, i llegeix la transcripció de tornada en marcs JSON.
Els marcs segueixen les mateixes dues fases que veu un lector. Un transcript.draft substitueix la cua en directe, un transcript.committed afegeix una línia definitiva, i amb la traducció activada, arriben frases senceres amb les seves traduccions adjuntes. Les llengües de destinació, les etiquetes de parlant i la modalitat de latència es poden canviar en plena sessió amb session.update.
Una sessió en temps real no desa res. Quan vols que les paraules es conservin, es corregeixin i es comparteixin amb un públic, publiques l'àudio en una transcripció en directe i en una emissió. Els SDK oficials per a TypeScript, Python i PHP envolten totes dues coses, i un servidor MCP permet que un assistent d'IA faci servir el mateix compte.
El tutorial de WebSocket construeix pas a pas una vista de subtítols que funciona, i la referència de l'API té cada camp. L'ús de l'API es factura a la mateixa tarifa que el tauler.
La precisió es decideix sobretot abans que s'executi cap reconeixedor, per l'àudio que se li dona. Quatre coses són les que més diferència fan.
El micròfon. Un micròfon a prop de qui parla, o una font de la taula de mescles del local, porta la veu amb poc de la sala. Un mòbil sobre una taula sent l'orador més l'eco, les cadires i les tosses. És el factor més gran, i per què un mòbil no n'hi ha prou per a una sala n'explica el motiu.
Soroll i solapament. El soroll de fons causa paraules perdudes i d'inventades, i dues persones que parlen alhora confonen tant les paraules com qui les ha dit. Errors de transcripció d'àudio llista set causes habituals, com es veu cadascuna i com es corregeix.
Un guió de referència. Els noms i termes coneguts es reconeixen tal com són. Els noms de producte d'una empresa, una sigla interna o el cognom estrany d'un convidat no es poden saber per endavant, de manera que afegeix un guió o diapositives abans de començar, i els noms i termes que hi surten s'escriuen exactament com els has escrit.
Etiquetes de parlant. Les etiquetes poden ser Off, On o When Needed, que les activa quan se sent un segon parlant. Diarització de parlants i reconeixement de la parla explica com les dues respostes, què s'ha dit i qui ho ha dit, són separades i es corregeixen per separat.
La modalitat de latència també compta: Fast treu el text abans però el revisa més, Accuracy espera una mica més.
Una xifra de precisió sola diu menys del que sembla. La taxa d'error de paraula compta un nom equivocat igual que un «el» perdut, per això què mesura la taxa d'error de paraula, i què es deixa defensa jutjar un sistema pels errors que et deixa atrapar i corregir.
Cap transcripció en directe és perfecta, de manera que la pantalla de l'amfitrió té una pestanya Fix. Pot marcar les paraules de les quals el reconeixedor no estava segur, i qualsevol línia es pot obrir i corregir. Una segona persona a la taula les pot anar revisant mentre l'orador continua.
Quan l'amfitrió reescriu una paraula o una línia, fins i tot una que encara s'està dient, tots els oients veuen la correcció, en cada llengua. Una línia sentida amb massa poca confiança s'amaga als oients com a «Audio unclear» en lloc de mostrar-se malament; l'amfitrió la continua veient.
L'enregistrament es conserva amb la seva transcripció, correccions i traduccions. Després pots:
Quant de temps es conserven l'àudio i les transcripcions depèn del pla, i la pàgina de preus ho llista.
La majoria d'eines de transcripció en directe s'assemblen en una demostració; les diferències es noten en les preguntes següents. La columna de la dreta descriu VocalStack tal com és avui.
| Pregunta | Per què importa | VocalStack |
|---|---|---|
| Quines llengües pot sentir? | Una eina que no pot transcriure la llengua de qui parla no pot ajudar, per bona que sigui la traducció. | 100 llengües, detectades automàticament, amb canvi enmig de la xerrada |
| Quant de retard té el text respecte de qui parla? | Els lectors noten més una distància que creix que una paraula equivocada de tant en tant. | Text original una fracció de segon per darrere, traducció un o dos segons més tard; tres modalitats de latència |
| Tradueix, i qui tria la llengua? | Una llengua de subtítols en una pantalla deixa fora tota la resta. | Fins a 10 llengües per transcripció, cada oient tria la seva |
| Pot dir la traducció en veu alta? | Alguns oients no poden llegir, o prefereixen no fer-ho. | Veus predefinides per defecte; la veu clonada d'un parlant amb el seu consentiment |
| Com li arriba al públic? | Les aplicacions i els comptes fan perdre gent a la porta. | Un enllaç i un codi QR, sense compte, contrasenya opcional |
| Es poden corregir errors en directe? | Un nom mal entès repetit durant una hora fa mal de debò. | Correccions en directe enviades a cada oient |
| D'on pot venir l'àudio? | La teva configuració no hauria de canviar per adaptar-se a l'eina. | Micròfon, extensions de navegador, aplicació d'escriptori, OBS, RTMP, enllaços d'emissió |
| Hi ha una API? | Potser vols subtítols dins del teu propi producte. | API REST i WebSocket, SDK, servidor MCP, la mateixa tarifa que el tauler |
| Com es cobra? | Els preus per oient o per seient creixen amb el teu públic. | Per segon d'àudio; oients i llengües gratuïts |
A VocalStack pagues per segon d'àudio transcrit. En el moment d'escriure això, la transcripció en directe costa $0.60 l'hora i els fitxers costen $0.20 l'hora, en tots els plans, tant al tauler com a través de l'API. La traducció, les veus, els resums, l'emissió i els oients no afegeixen mai res a la factura, de manera que una xerrada d'una hora llegida per 200 persones en cinc llengües costa els mateixos $0.60 que una llegida per ningú.
Els plans es diferencien en uns quants aspectes:
Si ningú no necessita llegir-ho mentre passa, puja l'enregistrament després a la tarifa de fitxers. Els preus, la retenció i els límits actuals de cada pla són a la pàgina de preus.
Un compte nou de VocalStack inclou $5 de crèdit de registre i no demana targeta. A $0.60 l'hora, són unes vuit hores de transcripció en directe, amb traducció i emissió incloses. Després pagues per segon. Els oients sempre són gratuïts.
Sí. Una transcripció en directe es pot traduir a fins a 10 llengües alhora mentre la persona parla. La traducció apareix un segon o dos després del text original, i cada oient tria la seva llengua.
Depèn sobretot de l'àudio. Un micròfon proper o una font de la taula, poc soroll de fons, una sola persona parlant cada cop i un guió de referència amb els noms donen els millors resultats. Les correccions en directe permeten a l'amfitrió arreglar el que encara falla mentre la xerrada continua.
El text en la llengua original va una fracció de segon per darrere de l'orador, i les traduccions arriben un segon o dos més tard. Una emissió pública afegeix el seu propi retard abans que l'àudio arribi a VocalStack.
Sí, mitjançant l'extensió de Chrome o d'Edge, el connector d'OBS Studio, o el tauler en un navegador. L'aplicació d'escriptori és avui a macOS, i Windows arribarà aviat.
No. Els oients obren l'enllaç de l'emissió o escanegen el seu codi QR en un navegador, trien una llengua i llegeixen. No hi ha res per instal·lar.
Obre el tauler, inicia una transcripció en directe des del micròfon i obre'n l'enllaç d'emissió al mòbil. El crèdit de registre cobreix les teves primeres hores, i pots veure tu mateix com els esborranys es fixen i la traducció els segueix.