L'exactitud de la traducció en directe es decideix sobretot abans que s'executi cap model: on és el micròfon. Agafa l'àudio de la taula de mescles, no d'un seient a la fila dotze, transcriu-lo una vegada, i un error es converteix en una sola línia que algú pot corregir per a tothom.
Les aplicacions de traducció integrades als telèfons són un assoliment real. Sovint executen un model de reconeixement de la parla prou petit per funcionar al dispositiu sense gastar massa bateria (algunes envien l'àudio a un servidor quan hi ha connexió), i per a frases curtes, clares i de cada dia fan la feina: demanar indicacions, llegir una carta, una conversa al taulell d'una botiga.
Una sala plena de gent que escolta un sol parlant és un problema diferent. Les coses que van malament en la parla real són exactament les que un model petit fa pitjor: paraules i noms poc habituals, paraules que sonen igual o gairebé igual («sail» i «sale», «their» i «there»), termes tècnics, accents, persones que parlen alhora i soroll de fons. En un club de vela, un model que sent «sale» ha fet una conjectura raonable i un error amb molta seguretat.
Dues coses fan que el model petit endevini més que un de gran. Ha estat comprimit per encabir-lo al telèfon, de manera que coneix menys paraules i menys maneres de dir-les; aproxima un cognom que no ha vist mai només pels sons. I el reconeixement en directe ha de decidir una paraula abans que arribi la resta de la frase, de manera que el model no pot fer servir el que hauria resolt «sail» contra «sale»: les paraules que segueixen, o un guió que digui de què tracta la xerrada. En el reconeixement de la parla, el context vol dir exactament aquestes dues coses: les paraules del voltant i el que se sap per endavant.
Quan el model no n'està segur, endevina. La traducció es construeix aleshores sobre l'endevinalla, i la persona que la llegeix no ho pot saber. Ningú de la sala no pot veure que una línia era errònia, i encara menys corregir-la. I una sala no és un oient, són cinquanta.
Un telèfon escolta la sala, no el parlant. La distància n'és la causa: un micròfon de solapa o de taula està a pocs centímetres de la boca, mentre que un telèfon a la fila dotze és a deu metres o més, i la major part del que hi arriba ha rebotat abans contra les parets, el sostre i els respatllers de les cadires. El so reflectit arriba tard i esborrat. A més, el telèfon capta la tos de la persona que hi ha dues files més enrere, el murmuri del veí i el que facin els altaveus amb la veu pel camí cap a la sala. Cada seient rep una gravació lleugerament diferent, i per tant cada seient rep una transcripció lleugerament diferent.
Un telèfon també tradueix només per a una persona. Cinquanta assistents que aixequen cinquanta telèfons produeixen cinquanta transcripcions independents de la mateixa xerrada, amb cinquanta conjunts diferents d'errors. Dues persones que comparen notes després no estaran d'acord sobre el que es va dir. Mentrestant, el ponent s'adreça a un mur de telèfons alçats, un públic difícil de llegir.
Per a algunes persones de la sala això és més que una molèstia: decideix si poden seguir la xerrada. Un assistent amb dificultats d'audició, o algú que la segueix en una tercera llengua, necessita un únic text compartit i correcte, no cinquanta millors intents. Això vol dir transcriure el ponent una sola vegada i donar a tothom el mateix resultat. Transcriure una sola vegada només val la pena si es fa bé, i això comença per on prové l'àudio.
La transcripció només és tan bona com l'àudio amb què es fa. Per tant, la primera decisió no és quin model fer servir, sinó quin senyal alimentar-hi. La segona és què dir-li al model abans de començar.
Una transcripció en directe pren l'àudio d'on ja hi ha el senyal net:
VocalStack descarrega ell mateix un flux per URL, de manera que no s'executa res pel teu costat. Un flux RTMP funciona a la inversa: el teu codificador l'envia. L'idioma del parlant es detecta automàticament, i pot canviar d'idioma en qualsevol moment. Si tu coneixes l'idioma i la gravació és sorollosa o té un accent molt marcat, dir-lo millora la precisió.
L'àudio net elimina els errors causats per la sala. No fa res pels errors causats pel vocabulari, i aquests necessiten un tipus d'ajuda diferent.
Un telèfon no sap qui parla ni de què va la xerrada, de manera que un nom de producte o un cognom és només un so més per aproximar. Una emissió, en canvi, es pot informar per endavant.
Si afegeixes un guió o unes diapositives abans de començar, els noms i termes que hi apareixen guanyen als que el motor ha entès malament. Durant la gravació, la pestanya Script segueix el parlant com un teleprompter. Aquest és el guany de precisió més gran per al tipus de parla que omple congressos i conferències: plena de noms propis i de vocabulari que cap model de propòsit general no ha sentit prou sovint.
Un bon àudio i un glossari eliminen la majoria dels errors. La pregunta és què passa amb els errors que queden.
Fins i tot amb un bon àudio i un guió, algunes línies sortiran malament. La diferència és què passa després.
En un telèfon, res. La línia errònia es perd de vista i la traducció construïda sobre ella se'n va amb ella.
En una emissió, una línia massa poc clara per valer la pena mostrar-la s'amaga als oients com a «Àudio poc clar», en lloc de presentar-la com a fet.
Després hi ha l'amfitrió, que té una pestanya Fix: les paraules de les quals el motor no n'estava segur es poden acolorir i subratllar, un clic obre una línia per revisar-la, i qualsevol paraula o línia es pot reescriure mentre la transcripció encara és en directe. Cada oient veu la correcció en el seu idioma. Cada correcció queda marcada i es pot desfer.
El punt no és que un servidor mai no s'equivoqui. És que l'error es veu, el té algú de la sala, i es corregeix una sola vegada per a tothom.
Les correccions arreglen el que llegeixen els oients. Els oients que prefereixen escoltar la xerrada reben el mateix text corregit, parlat.
Un oient que prefereix escoltar que llegir pot fer que cada línia traduïda es llegeixi en veu alta. Per defecte, cada parlant té una veu predefinida diferent del mateix gènere, de manera que un panell encara sona com un panell. Pots assignar una veu a cada parlant, o silenciar-ne un.
Amb el permís del parlant, pots anar més enllà i clonar-ne la veu a partir de trenta segons de la seva parla, pujats com a clip o agafats directament d'un parlant d'una gravació; amb uns quants minuts el resultat és millor. La traducció es llegeix aleshores amb la veu pròpia del parlant en totes les llengües. Un parlant amb una veu desada també pot ser reconegut en gravacions posteriors, tot i que el sistema prefereix deixar un parlant sense nom que posar-ne un de l'equivocat.
Hi ha dues regles, i són deliberades. Una veu clonada és una dada biomètrica: només es fa amb l'acord explícit del parlant i es pot esborrar en qualsevol moment. I una veu només llegeix una transcripció o la seva traducció; no es pot fer que digui res que el seu propietari no hagi dit mai.
Tot el que hi ha fins ara passa mentre el parlant parla. La darrera diferència es nota després que s'aturi.
Els cinquanta transcrits dels telèfons s'esvaeixen quan es tanquen les aplicacions. Una emissió conserva la gravació a la teva biblioteca: l'àudio, i la transcripció amb totes les correccions i traduccions. Allà es pot reproduir línia per línia, cercar en qualsevol idioma i exportar; el recorregut per Un enllaç, tots els idiomes explica què fa la biblioteca. Els oients no et costen res, per molts que siguin. Pagues per l'àudio transcrit, a $0.60 per hora en directe, amb un mínim de 5 minuts per transcripció, i la pàgina de preus té la tarifa completa.
Un telèfon a cada mà continua sent un bon recurs per a una conversa de passadís. Però per a una sala que ha d'entendre un sol parlant junts, el parlant s'ha de transcriure una vegada, des de la font, i amb algú que pugui arreglar el que va malament. Pots veure com es veu això a la demostració interactiva de la pàgina d'inici.
