Vícejazyčná místnost nepotřebuje kabinu pro každý jazyk. Stačí jeden čistý zvukový signál od mixážního pultu, jeden odkaz, který si posluchači otevřou na vlastních telefonech, a způsob, jak opravit přeslechnuté jméno, zatímco přednáška stále běží.
Přednáška, bohoslužba, výuka nebo jednání zastupitelstva má jednoho mluvčího a publikum, které ne všichni myslí jeho jazykem. Obvyklá řešení jsou drahá, neúplná nebo soukromá.
Drahé řešení je tlumočník pro každý jazyk. I s jedním tlumočníkem na jazyk je to kabina, sada přijímačů a specialista pro každý jazyk v místnosti, a ti specialisté neříkají totéž. Každý tlumočník si pod časovým tlakem vybírá sám: jaké slovo zvolí pro odborný pojem, co zkrátí, co vynechá, když mluvčí zrychlí. Na běžné přednášce se ty rozdíly téměř neprojeví. Na soudním jednání, při hlasování zastupitelstva nebo v technickém briefingu ale záleží: definovaný pojem, dávkování nebo klauzule může francouzské posluchače dojít s jedním významem a arabské s jiným, a nikdo v místnosti si toho nemá šanci všimnout. Částečné řešení je titulkový pás na jedné obrazovce, v jediném druhém jazyce. Soukromé řešení je padesát telefonů zdvižených do místnosti: padesát mírně chybných přepisů, v nichž každý telefon slyší ozvěnu a kašlání stejně zřetelně jako mluvčího.
Alternativou je přepsat mluvčího jednou, z čistého zdroje, a ten jeden přepis přeložit do jazyků, které publikum potřebuje. Každý jazyk tak vychází ze stejných slov a každý posluchač si volí na vlastním zařízení. Nahrávka se po skončení akce uchovává. Následuje popis, jak hostitel a posluchač každé nastavení provedou a co to stojí.
Živý přepis umí poslouchat mikrofon na libovolném zařízení, RTMP zdroj z OBS nebo jiného enkodéru, který přijímá adresu serveru a stream key, živý YouTube přenos, internetovou rozhlasovou stanici nebo jakoukoli URL, která vysílá stream. U streamu si zvuk stáhne VocalStack sám; na vaší straně nic běžet nemusí.
Zdroj záleží víc než jakékoli nastavení. Místnostní mikrofon nebo telefon položený na stole slyší mluvčího i místnost: dozvuk od stěn, židlí, publika. Rozpoznávání řeči výrazně ztrácí přesnost, jakmile je hlas tišší než ten šum, a proto se těch padesát telefonů navzájem neshoduje. Signál z mixážního pultu nese mikrofon samotného mluvčího s malou příměsí místnosti, takže přepis sleduje mluvčího, ne místnost. Pokud má místo pult, vezměte signál z něj.
Jazyk řeči se rozpoznává automaticky a mluvčí může kdykoli přejít na jiný; jeho předem zadání pomáhá u hlučných nahrávek a silného přízvuku. Označení mluvčích lze vypnout, zapnout, nebo nastavit na When Needed, což je zapne, jakmile se ozve druhý mluvčí. Jakmile zvuk přichází, potřebuje publikum místo, kde ho najde.
Vysílání je odkaz: jedna adresa a QR kód, který posluchači naskenují, aby otevřeli živý překlad a zvolili jazyk. Odkaz vzniká z názvu, který vysílání dáte. Přejmenujete-li je později, starý odkaz dál funguje, takže QR kód vytištěný v programu nezastará.
Vysílání je ve výchozím stavu veřejné: kdo má odkaz, může ho otevřít. Pokud ho nastavíte jako soukromé a zadáte heslo, posluchači se na něj zeptáme dřív, než se objeví přepis.
Jedno vysílání může napájet více živých přepisů, takže konference se dvěma pódii sdílí jeden odkaz. Odkaz lidi přivede dovnitř; udržet je tam ale má správně zapsaná jména.
Systémy pro rozpoznávání řeči se učí na tom, jak lidé běžně mluví, takže když je zvuk nejednoznačný, sáhnou po běžném slově. Název produktu, příjmení, obec, chemická látka: každé z nich má častější zvukově podobné slovo, a to se objeví, pokud systém nedostane vědět, že přijde vzácné slovo. K tomu slouží skript. Přidejte skript nebo prezentaci ještě před začátkem a jména a pojmy z nich zvítězí nad tím, co se přeslechlo. Právě tam rozpoznávání u odborné přednášky obvykle selhává. Během nahrávání záložka Script sleduje řeč jako teleprompter a rozsvěcuje slova, která už zazněla.
To je celé nastavení. Na druhé straně odkazu je práce ještě menší.
Posluchač potřebuje odkaz nebo QR kód a telefon. Odkaz otevře v prohlížeči a uvidí The broadcast hasn't started yet, dokud hostitel nestiskne nahrávání; pak se zobrazí Live. The first line appears in a moment. Vybere si z jazyků, které hostitel nastavil (až 10 na přepis, z celkem 100 dostupných), a čte přepis, jak mluvčí mluví. Hostitel mluví dál ve svém jazyce. Posluchač může kdykoli změnit jazyk; přepis dosud řečeného se pak ukáže v novém jazyce.
Pokud posluchač raději poslouchá, každý přeložený řádek se přečte nahlas. Ve výchozím nastavení má každý mluvčí vlastní standardní hlas odpovídajícího pohlaví, takže panel stále zní jako panel.
Tři fáze probíhají po řadě a každá čeká na tu předchozí. Rozpoznávání potřebuje kus řeči, než se může k slovům zavázat, takže přepis zaostává za mluvčím o zlomek sekundy. Překlad potřebuje celou frázi, protože slovosled se mezi jazyky liší a konec věty může změnit začátek, takže přichází o sekundu nebo dvě později. Řeč potřebuje přeloženou větu, než může začít, takže mluvený řádek přichází poslední. Nic z toho není chyba, kterou by bylo třeba odladit; je to to, co musí každý systém dělající tyto tři věci, včetně lidského tlumočníka, který také čeká na sloveso.
S mluvčího svolením může hostitel naklonovat jeho hlas z třiceti sekund, kdy mluví sám (MP3, M4A nebo WAV; lépe několik minut). Překlad se pak čte v hlase mluvčího ve všech jazycích. S hlasem nakládejte jako s biometrickými údaji, kterými je. Podle GDPR údaje o hlase zpracované k rozpoznání osoby obecně spadají do zvláštních kategorií podle čl. 9 a některé státy USA, mezi nimi Illinois, regulují hlasové otisky zvlášť. Výslovný souhlas mluvčího získejte předem, ne až poté, co se vzorek nahraje; hlas lze kdykoli smazat. Klonování mluvčího také zapíše do systému, takže se bude v budoucích nahrávkách označovat jménem. Hostitel může každému mluvčímu přiřadit hlas nebo některého ztlumit.
Posluchač, který přijde pozdě, uvidí všechno, co zaznělo před jeho příchodem, a pak sleduje živě. Když spojení vypadne, stránka se po jeho obnovení dohoní sama. Když hostitel pozastaví, posluchači uvidí Paused. The transcript continues when the host resumes. Když hostitel ukončí, stránka ukáže datum a délku nahrávky a vysílání vypíše své minulé nahrávky k přehrání.
Posluchač může číst jen to, co motor slyšel, a živé rozpoznávání část z toho přeslechne.
Obrazovka hostitele má pro přesně tento účel záložku Fix. Mark uncertain words obarví a podtrhne slova, o kterých si motor nebyl jistý; Click to correct otevře řádek k revizi. Záložka prochází nejisté úseky jeden po druhém, takže druhá osoba u pultu je může procházet, zatímco mluvčí pokračuje.
Když hostitel přepíše slovo nebo řádek, i takový, který se ještě říká, každý posluchač vidí opravu. Řádek, jehož důvěra je příliš nízká, je posluchačům skrytý jako Audio unclear, místo aby se ukázal špatně; hostitel vidí každé slovo. Prázdné místo je známá mezera; sebejistě špatné slovo je drb.
Tyto opravy nezmizí, když přednáška skončí.
Všechno se uchovává. Nahrávka, její přepis s opravami a překlady i zvuk končí v knihovně hostitele. Přehrávání ji přehraje přesně tak, jak přišla, řádek po řádku, se zvukem. Jakmile jsou slova konečná, napíše se název a shrnutí ve všech jazycích a záložky hostitelské obrazovky Summary a Export je vynesou rovnou z akce.
Exporty jsou titulky SRT, PDF, Excel nebo JSON, s opravami a překlady, a zvuk se stahuje jako MP3. Každý přepis lze prohledávat v jakémkoli jazyce.
Záložka Audience ukazuje, kdo poslouchal, v jakém jazyce a kdy se připojil: často první skutečný počet, který pořadatel dostane o tom, kdo který jazyk potřeboval. Dosud se odhadovalo, kdo zvedne ruku, když se v angličtině zeptáme, kdo potřebuje překlad. Identifikátory posluchačů se mažou spolu s nahrávkou.
Rozpoznávání řeči, rozpoznávání mluvčích a syntéza hlasu běží na serverech, které provozujeme, a váš zvuk se k žádnému zpracování neodesílá třetí straně. Vaše zvuky, přepisy ani hlasy nepoužíváme k trénování modelů.
Uchovávání se řídí tarifem: u Pay as you go se zdrojový zvuk a hlasy uchovávají 7 dnů a přepisy 30 dnů; Premium a Enterprise je uchovávají po celou dobu existence účtu. Druhou věcí, kterou tarif určuje, je účet.
Záleží na dvou číslech. U Pay as you go a Premium stojí živý přepis $0.60 za hodinu zvuku, účtováno po sekundách s minimem 5 minut na přepis, a to v ovládacím panelu i přes API stejně; Enterprise má objemové sazby. Posluchači a jazyky jsou zdarma: jednohodinová akce přečtená v pěti jazycích dvěma sty lidmi stojí $0.60. Soubory vycházejí levněji ($0.20 za hodinu), protože živý přepis běží v reálném čase po celou dobu akce. Tarify se liší souběžností, maximální délkou nahrávky a rychlostí startu; u Pay as you go může studený start trvat až 15 sekund, takže stiskněte nahrávání o chvíli dřív, než mluvčí začne, zhruba o jednu větu „Slyší mě všichni vzadu?“. Úplná tabulka je na ceníku.
Domovská stránka má dvoutelefonovou ukázku a nový účet v ovládacím panelu dostane při registraci kredit $5 a nevyžaduje kartu. Při živé sazbě ten kredit pokryje víc než osm hodin vysílání.
Uvažujete mezi tímto řešením a živým překladem, který má každý ve svém telefonu? Přečtěte si, proč telefon pro místnost nestačí. Pro celou akci pokrývá kontrolní seznam pro vícejazyčné konference zvukovou cestu, více pódií na jednom odkazu a rozpočet. Vývojáři mohou všechno z tohoto seznamu dělat z kódu přes referenci API, za stejnou sazbu.
