Přepis a překlad v reálném čase vysvětlen: jak funguje živý převod řeči na text, jak moc zaostává, co ovlivňuje přesnost a kolik stojí.
Přepis v reálném čase převádí řeč na text, zatímco člověk ještě mluví. Slova se na obrazovce objeví chvíli po vyslovení, usadí se do konečných řádků a může je číst každý, kdo sleduje. Přidáte-li překlad v reálném čase, může každý čtenář sledovat stejnou řeč ve svém jazyce, jako text nebo nahlas.
Tento průvodce probírá přepis a překlad v reálném čase z obou stran: co vidí posluchač, odkud může zvuk pocházet, co rozhoduje o přesnosti, co dostanou vývojáři z API a kolik to stojí.
Přepis v reálném čase, také živý přepis nebo živý převod řeči na text, je rozpoznávání řeči, které běží, zatímco zvuk ještě přichází. Nahraný soubor lze přepsat, když máte celou nahrávku po ruce. Živý přepis se musí rozhodnout pro slova jen podle posledních několika vteřin a držet krok s mluvčím tak dlouho, jak mluví.
Živé titulky jsou totéž, ukázané jako krátké řádky přes video nebo na obrazovce.
Ve VocalStacku může živý přepis poslouchat ve 100 jazycích. Mluvený jazyk rozpozná sám a sleduje mluvčího, když přejde jinam, což vysvětluje jak funguje automatické rozpoznání jazyka, včetně toho, kdy jazyk zadat předem.
Text přichází ve dvou fázích. Nejnovější slova se objeví jako koncept, který se ještě může změnit, jak přichází další zvuk. O chvíli později se koncept usadí do konečného řádku, který se už nemění.
Koncept existuje proto, že rozpoznávač rozhoduje o slově částečně podle toho, co po něm následuje. „Ice cream“ a „I scream“ znějí stejně, dokud nepřijde další slovo. Brzké ukázání odhadu je to, co dává přepisu pocit živosti.
Jak moc text za mluvčím zaostává, záleží na fázi:
Dvě zpoždění leží mimo tento řetězec. Když je zdrojem veřejný stream, a ne mikrofon, stream sám už zaostává za svým živým koncem: o vteřinu nebo tři u běžného internetového rádia a od několika vteřin až po půl minuty u HLS. A u Pay as you go se může živý přepis spouštět až 15 sekund. Úplný rozbor, včetně režimů latence Auto, Fast a Accuracy, je v článku zpoždění živého překladu vysvětleno.
Překlad běží nad přepisem. Živý přepis lze přeložit až do 10 jazyků najednou, vybraných ze 100. Každý posluchač si na svém zařízení vybere jeden z nich a může ho kdykoli změnit; dosavadní přepis se ukáže znovu v novém jazyce.
Každý jazyk se překládá ze stejného přepisu, takže každý posluchač dostane stejná slova a oprava se dostane ke všem.
Posluchač, který raději poslouchá než čte, může nechat každý přeložený řádek přečíst nahlas. Ve výchozím nastavení dostane každý mluvčí odlišný standardní hlas odpovídající jeho pohlaví, takže panel stále zní jako několik lidí. S mluvčím souhlasem může hostitel jeho hlas naklonovat z asi 30 sekund, kdy mluví sám, a překlad se pak čte jeho vlastním hlasem.
Pravidlo pro hlasy je záměrně úzké. Hlas čte vždy jen to, co tentýž člověk řekl, přeložené do jazyka, který posluchač vybral. Nikdy nečte text, který někdo zadá, a nikdy nečte slova jednoho mluvčího hlasem jiného.
Jak to funguje pro celou místnost, od nastavení hostitele po opozdilce, je v článku jeden odkaz, každý jazyk.
Živý přepis potřebuje zdroj zvuku. Tyto VocalStack dnes přijímá:
Titulky přímo v přehrávači YouTube přes jeho tlačítko CC jsou již brzy. Do té doby sledují diváci streamu na YouTube titulky na odkazu vysílání.
Pokud potřebujete živý přepis na Windows už dnes, funguje tam rozšíření pro Chrome nebo Edge, zásuvný modul OBS i Dashboard v prohlížeči.
Vysílání je způsob, jak ostatní sledují živý přepis. Je to jeden odkaz a QR kód. Posluchači ho otevřou v prohlížeči, vyberou jazyk a čtou. Nepotřebují účet, nic neinstalují a nic neplatí: účet se s počtem posluchačů ani jazyků nemění.
Vysílání je ve výchozím stavu veřejné a lze ho chránit heslem. Pokud odkaz přejmenujete, starý dál funguje, takže QR kód vytištěný v programu nezastará. Jedno vysílání může nést několik živých přepisů, takže dvě pódia mohou sdílet jeden odkaz.
Posluchač, který přijde pozdě, vidí všechno, co zaznělo před jeho příchodem, a pak sleduje živě. Poté ukazuje pohled Audience, kdo poslouchal, v jakém jazyce a kdy se připojil.
Pro akce pokrývá kontrolní seznam pro vícejazyčnou konferenci zvuk, pódia a rozpočet a živý přepis pro kostely, přednáškové sály a zasedání zastupitelstev týdenní verzi stejného nastavení.
Vše výše lze dělat z kódu. Pro živý zvuk ve vaší vlastní aplikaci má API relace v reálném čase: váš server provede jedno volání POST /v1/realtime/sessions s klíčem API a dostane zpět krátkodobý streamUrl. Váš klient na něj otevře WebSocket, posílá surový zvuk, jak se zachytává, a čte přepis zpět jako rámce JSON.
Rámce kopírují stejné dvě fáze, které vidí čtenář. transcript.draft nahrazuje živý konec, transcript.committed přidá konečný řádek a se zapnutým překladem přicházejí celé věty s přiloženými překlady. Cílové jazyky, označení mluvčích a režim latence lze během relace měnit přes session.update.
Relace v reálném čase nic neukládá. Když chcete slova uchovat, opravit a sdílet s publikem, publikujete místo toho zvuk do živého přepisu a vysílání. Oficiální SDK pro TypeScript, Python a PHP obalují obojí a server MCP umožňuje AI asistentovi používat stejný účet.
Návod k WebSocketu krok za krokem staví funkční zobrazení titulků a reference API má každé pole. Použití API se účtuje stejnou sazbou jako Dashboard.
Přesnost se rozhoduje většinou dřív, než se spustí jakýkoli rozpoznávač, zvukem, který dostane. Nejvíc záleží na čtyřech věcech.
Mikrofon. Mikrofon blízko mluvčího nebo signál z mixážního pultu místa nese hlas s malou příměsí místnosti. Telefon na stole slyší mluvčího plus ozvěnu, židle a kašel. To je největší jednotlivý faktor a proč telefon na místnost nestačí vysvětluje proč.
Hluk a překrývání. Hluk na pozadí způsobuje vypadlá slova i vymyšlená a dva lidé mluvící najednou zmatou slova i to, kdo je řekl. Chyby při přepisu zvuku uvádějí sedm častých příčin, jak každá vypadá a jak ji opravit.
Referenční scénář. Známá jména a pojmy se rozpoznají tak, jak jsou. Názvy produktů firmy, interní zkratku nebo neobvyklé příjmení hosta předem znát nelze, takže před začátkem přidejte scénář nebo snímky a jména a pojmy z nich se zapíšou přesně tak, jak jste je napsali.
Označení mluvčích. Označení mohou být Off, On nebo When Needed, což je zapne, jakmile zazní druhý mluvčí. Diarizace mluvčích vs. rozpoznávání řeči vysvětluje, jak jsou obě odpovědi, co zaznělo a kdo to řekl, oddělené a opravují se zvlášť.
Záleží i na režimu latence: Fast dostane text ven dřív, ale víc z něj opravuje, Accuracy čeká o něco déle.
Jediné číslo přesnosti říká méně, než se zdá. Chybovost slov (word error rate) počítá špatné jméno stejně jako vynechané „the“, a proto co měří chybovost slov a co přehlíží navrhuje posuzovat systém podle toho, které chyby nechá zachytit a opravit.
Žádný živý přepis není dokonalý, takže obrazovka hostitele má kartu Fix. Umí označit slova, v nichž si rozpoznávač nebyl jistý, a každý řádek lze otevřít a opravit. Druhý člověk u pultu je může procházet, zatímco mluvčí pokračuje.
Když hostitel přepíše slovo nebo řádek, i takový, který ještě zaznívá, vidí opravu každý posluchač, v každém jazyce. Řádek slyšený s příliš malou jistotou se posluchačům skryje jako „Audio unclear“, místo aby se ukázal špatně; hostitel ho stále vidí.
Nahrávka se uchová se svým přepisem, opravami a překlady. Poté můžete:
Jak dlouho se zvuk a přepisy uchovávají, záleží na tarifu a stránka s ceníkem to uvádí.
Většina nástrojů pro živý přepis vypadá v ukázce stejně; rozdíly se ukážou v otázkách níže. Pravý sloupec popisuje VocalStack tak, jak je dnes.
| Otázka | Proč na ní záleží | VocalStack |
|---|---|---|
| Které jazyky slyší? | Nástroj, který neumí přepsat jazyk mluvčího, nepomůže, ať je jeho překlad jakkoli dobrý. | 100 jazyků, rozpoznávaných automaticky, s přepínáním během řeči |
| Jak moc je text za mluvčím pozadu? | Čtenáři víc než občasné špatné slovo zaznamenají rostoucí odstup. | Původní text zlomek vteřiny pozadu, překlad o vteřinu dvě později; tři režimy latence |
| Překládá a kdo vybírá jazyk? | Jeden jazyk titulků na jedné obrazovce vynechá všechny ostatní. | Až 10 jazyků na přepis, každý posluchač si vybere svůj |
| Umí překlad přečíst nahlas? | Někteří posluchači číst nemohou nebo nechtějí. | Standardní hlasy ve výchozím stavu; vlastní naklonovaný hlas mluvčího s jeho souhlasem |
| Jak se publikum k textu dostane? | Aplikace a účty lidi odradí hned u dveří. | Jeden odkaz a QR kód, bez účtu, volitelné heslo |
| Lze chyby opravovat živě? | Špatně slyšené jméno opakované hodinu způsobí skutečnou škodu. | Živé opravy doručené každému posluchači |
| Odkud může zvuk pocházet? | Vaše nastavení by se nemělo přizpůsobovat nástroji. | Mikrofon, rozšíření prohlížeče, aplikace pro počítač, OBS, RTMP, odkazy na streamy |
| Je tu API? | Můžete chtít titulky uvnitř vlastního produktu. | API REST a WebSocket, SDK, server MCP, stejná sazba jako Dashboard |
| Jak se účtuje? | Cena za posluchače nebo za místo roste s vaším publikem. | Za sekundu zvuku; posluchači a jazyky zdarma |
Na VocalStacku platíte za sekundu přepsaného zvuku. V době psaní stojí živý přepis $0.60 za hodinu a soubory $0.20 za hodinu, v každém tarifu, v Dashboardu i přes API. Překlad, hlasy, shrnutí, vysílání a posluchači účet nikdy nezvyšují, takže hodinová přednáška, kterou čte 200 lidí v pěti jazycích, stojí stejných $0.60 jako ta, kterou nečte nikdo.
Tarify se liší v několika věcech:
Pokud nikdo nepotřebuje číst, jak se to děje, nahrajte záznam později za sazbu pro soubory. Aktuální ceny, uchovávání a limity každého tarifu jsou na stránce s ceníkem.
Nový účet VocalStacku dostane $5 uvítacího kreditu a nepotřebuje kartu. Při $0.60 za hodinu je to asi osm hodin živého přepisu, s překladem a vysíláním v ceně. Potom platíte za sekundu. Posluchači jsou vždy zdarma.
Ano. Živý přepis lze překládat do až 10 jazyků najednou, zatímco člověk mluví. Překlad se objeví o vteřinu dvě po původním textu a každý posluchač si vybere svůj jazyk.
Záleží hlavně na zvuku. Nejlepší výsledky dává blízký mikrofon nebo signál z pultu, málo hluku na pozadí, jeden mluvčí po druhém a referenční scénář s jmény. Živé opravy umožňují hostiteli opravit, co je ještě špatně, zatímco přednáška pokračuje.
Text v původním jazyce zaostává o zlomek vteřiny a překlady následují o vteřinu dvě později. Veřejný stream přidává vlastní zpoždění, než zvuk dorazí do VocalStacku.
Ano, přes rozšíření pro Chrome nebo Edge, zásuvný modul OBS Studio nebo Dashboard v prohlížeči. Aplikace pro počítač je dnes na macOS, Windows brzy.
Ne. Posluchači otevřou odkaz na vysílání nebo naskenují jeho QR kód v prohlížeči, vyberou jazyk a čtou. Nic se neinstaluje.
Otevřete Dashboard, spusťte živý přepis z mikrofonu a otevřete jeho odkaz na vysílání na telefonu. Uvítací kredit pokryje vaše první hodiny a sami uvidíte, jak se koncepty usazují a překlad je následuje.