Gludwch y ffrwd, nid y dudalen. Mae sain go iawn gorsaf yn cyrraedd cyfeiriad sy'n gorffen gyda .mp3, .aac neu .m3u8, ac unwaith y mae trawsgrifiad byw wedi'i gael, does neb angen gwrando.
Mae gan ystafell newyddion sy'n monitro tair gorsaf radio, dau ffrwd deledu a nifer o ddarllediadau byw ar YouTube broblem staffio cyn bod ganddi broblem drawsgrifio. Rhaid i rywun wrando, a rhaid i rywun wasgu recordio. Mae trawsgrifiad byw sy'n defnyddio ffrwd fel ei ffynhonnell yn cymryd y ddwy swydd honno: rhowch gyfeiriad y ffrwd iddo ac mae'r gweinydd yn ei agor, yn ei ddadgodio ac yn ei drawsgrifio wrth iddi ddarlledu, fel nad oes rhaid i neb fod wrth ddesg pan fo cynhadledd i'r wasg yn cychwyn yn gynnar. Y rhan anodd, mae'n troi allan, yw dod o hyd i'r cyfeiriad.
Gall trawsgrifiad byw gymryd ei sain o ffrwd y mae'r gweinydd yn ei thynnu ei hun: gorsaf radio ar y rhyngrwyd, rhestr chwarae HLS (.m3u8), maniffest DASH (.mpd), neu YouTube byw. Yn y Dangosfwrdd, trawsgrifiad byw newydd yw hwn yn Transcriptions → New → Live y mae ei ffynhonnell yn ffrwd yn hytrach na'r meicroffon. Mae'r cyfeiriad yn cael ei osod pan grëir y trawsgrifiad ac nid yw byth yn newid, felly mae monitor yn cael ei sefydlu unwaith ac yn cael ei gychwyn pryd bynnag y mae'r orsaf yn werth ei recordio.
Mae'n rhaid i'r cyfeiriad fod yn y ffrwd ei hun, nid y dudalen we sy'n ei chwarae. Tudalen HTML yw tudalen gorsaf; mae'r sain y mae'n ei chwarae yn dod o rywle arall, fel arfer gweinydd Icecast neu Shoutcast, ac mae chwaraewr y dudalen yn canfod y cyfeiriad hwnnw gyda JavaScript ar ôl iddi lwytho. Chwiliwch ar y safle am ddolen "Listen", "Direct stream" neu "Other players": mae'n gorffen gyda .mp3, .aac, .m3u, .m3u8 neu .pls. Nid sain yw .pls neu .m3u chwaith. Ffeil destun fer o ychydig linellau yw hi, ac mae pob llinell yn rhoi cyfeiriad ffrwd; mae'n bodoli fel y gall chwaraewyr bwrdd gwaith dderbyn un ddolen yn unig, ac mae VocalStack yn trawsgrifio'r ffrwd y mae'n ei henwi. Os gludwch y dudalen yn lle hynny, mae VocalStack yn gofyn amdani, yn gweld HTML yn dod yn ôl ac yn dweud hynny wrthych. Mae pob gorsaf yn cuddio ei ffrwd ychydig yn wahanol; mae'r rhan fwyaf yn ei chuddio y tu ôl i fotwm wedi'i farcio "Listen", sef yr unig beth ar y dudalen nad yw'n werth clicio arno.
Mae dau fath o ddolen yn cael eu gwrthod yn llwyr. Mae dolenni i dudalennau sy'n chwarae cyfryngau, fel Spotify, SoundCloud neu Twitch, yn cael eu troi ymaith cyn i unrhyw beth gysylltu. Nid yw ffrydiau sydd wedi'u diogelu rhag copïo chwaith yn cael eu cefnogi: mae rhestr chwarae neu faniffest sydd angen trwydded DRM yn methu gyda neges sy'n dweud hynny. Mae rhai ffrydiau hefyd yn gwrthod ceisiadau o'r tu allan i wlad yr orsaf, felly efallai na fydd cyfeiriad sy'n chwarae yn y swyddfa yn chwarae o weinydd dramor. Os yw ffrwd yn chwarae mewn porwr ond nid yn VocalStack, mae'r orsaf yn gwrthod chwaraewyr eraill; gofynnwch i'r orsaf am gyfeiriad y caniateir i apiau eraill ei ddefnyddio. Mae'r rhan fwyaf yn cynnig ffrwd MP3, AAC neu HLS. Unwaith y mae gennych y cyfeiriad cywir, y cwestiwn nesaf yw a yw'n dod i ben byth.
Nid yw ffrwd fyw byth yn dod i ben, felly nid ffeil mohoni. Mae'r gwahaniaeth yn bwysig yn enwedig ar gyfer YouTube. Mae YouTube byw sydd ar yr awyr yn perthyn i drawsgrifiad byw, ac mae'r Dangosfwrdd yn ei ddilyn wrth iddo ddarlledu. Mae YouTube byw sydd wedi'i drefnu ond heb ddechrau yn cael ei ddangos fel Not live yet a gellir ei recordio unwaith y mae ar yr awyr. Mae fideo gorffenedig yn beth gwahanol: mae ganddo hyd, felly caiff ei drawsgrifio fel ffeil. Gludwch y ddolen i Transcriptions → New.
Mae'r rhestr chwarae ei hun yn dweud pa un ydyw, a dyna sut mae unrhyw chwaraewr yn dweud y gwahaniaeth. Mae gan restr chwarae HLS orffenedig dag #EXT-X-ENDLIST neu #EXT-X-PLAYLIST-TYPE:VOD; nid oes gan un fyw'r naill na'r llall ac mae'n dal i dyfu, felly mae'r chwaraewr yn ei hail-lwytho bob ychydig eiliadau am segmentau newydd. Mae maniffest DASH yn datgan type="dynamic" tra bo'r darllediad ar yr awyr a type="static" unwaith ei fod yn recordiad. Nid oes gan ffrwd MP3 neu AAC o weinydd Icecast hyd o gwbl; mae'n parhau am byth.
O'r cod, mae GET /v1/transcriptions/probe?url= yn penderfynu hyn cyn i unrhyw beth gael ei storio. Mae kind yn yr ymateb yn live ar gyfer YouTube byw sydd ar yr awyr neu wedi'i drefnu, ffrwd HTTP ddiderfyn, rhestr chwarae HLS heb ddiwedd, neu faniffest DASH deinamig. Mae'n file ar gyfer unrhyw beth sydd â diwedd, ac unknown pan na allai'r probe ddweud. Pan na agorodd y ddolen fel cyfryngau, mae ok yn false ac mae problem yn frawddeg y gallwch ei dangos. Nid yw'r probe yn cadw dim ac mae'n gyfyngedig i 60 galwad y funud.
Mae trawsgrifiadau ffeil yn rhedeg lawer gwaith yn gyflymach na chwarae'r sain, felly nid yw awr orffenedig o deledu yn cymryd awr. Mae ffrwd fyw yn cael ei thrawsgrifio mewn amser real, ond mae "amser real" eisoes yn rhedeg y tu ôl i'r darllediad, ac mae'n werth gwybod faint. Mae ffrwd Icecast yn cyrraedd chwaraewr ychydig eiliadau ar ôl y meicroffon. Mae HLS a DASH wedi'u segmentu, ac ni fydd chwaraewr yn cychwyn nes ei fod yn dal dwy neu dair segment o tua chwe eiliad yr un, felly mae ffrwd HLS fel arfer 10 i 30 eiliad y tu ôl i'r darllediad cyn i'r trawsgrifio ychwanegu ei oedi ei hun. Mae llinell sy'n ymddangos fel petai'n cyrraedd yn hwyr fel arfer yn oedi'r orsaf, nid oedi'r trawsgrifiwr. Mae un ffrwd yn gwneud un recordiad; mae desg yn rhedeg sawl un, ac maen nhw i gyd yn gorffen yn yr un lle.
Mae pob trawsgrifiad byw yn glanio yn y llyfrgell Transcriptions ochr yn ochr â phob ffeil. Mae pob recordiad yn cael ei gadw gyda'i drawsgrifiad, ac unwaith y mae'r geiriau'n derfynol, ysgrifennir teitl a chrynodeb ar ei gyfer, ym mhob iaith. Caiff yr iaith lafar ei chanfod yn awtomatig, ac mae siaradwyr yn cael newid iaith unrhyw bryd. Lle rydych yn gwybod yr iaith, mae ei henwi yn gwella ansawdd y trawsgrifio.
Mae'r llyfrgell yn chwiliadwy ar draws ieithoedd: chwiliwch bob trawsgrifiad, beth bynnag fo'i iaith, a chael y canlyniadau yn eich iaith chi. Gall gohebydd sy'n darllen Saesneg yn unig chwilio sioe foreol orsaf Rwmaneg am enw gweinidog a darllen y canlyniadau yn Saesneg, pob un gyda'r trawsgrifiad y daeth ohono a'r amser y cafodd ei ddweud. Bydd enw'r gweinidog yn cael ei sillafu mewn tair ffordd ar draws tair gorsaf; mae chwilio amdano yn Saesneg yn arbed darllen y tri.
Gellir cyfieithu trawsgrifiad i hyd at 10 iaith ar yr un pryd, fel bod yr un recordiad yn cael ei ddarllen ym mhob iaith y mae'r ddesg yn gweithio ynddi. Dim ond os gallwch ei ddyfynnu y mae canlyniad chwilio yn ddefnyddiol.
Nid wal o destun yw trawsgrifiad. Mae GET /v1/recordings/{id}/transcript yr API yn dychwelyd sentences, segments gydag amseriadau geiriau, a speakers, felly gellir gosod dyfyniad i'r eiliad yn erbyn y recordiad. Mae'r Dangosfwrdd yn chwarae recordiad byw yn union fel y cyrhaeddodd, gyda'i sain, fel y gellir clywed brawddeg cyn ei dyfynnu.
Cyn i chi ymddiried mewn unrhyw drawsgrifiad o sain radio, o unrhyw system, mae dau beth yn werth eu gwybod. Mae adnabod lleferydd yn baglu fwyaf ar enwau priod, lleoedd a ffigurau, sef yn union yr hyn y mae gohebydd yn chwilio amdano. Mae enw nad yw'r cydnabyddwr erioed wedi'i weld yn dod allan fel y gair cyffredin agosaf, ac ni fydd chwiliad am y sillafiad cywir yn ei gael. Chwiliwch am air nodedig a ddywedwyd yn yr un anadl yn lle hynny, ac yna darllenwch o'i amgylch y canlyniad. Ac nid lleferydd yn unig yw radio: mae gwelyau cerddoriaeth, jingles a seibiannau hysbysebu yn cynhyrchu llinellau sy'n edrych fel brawddegau ond nad ydynt. Gwiriwch y sain cyn dyfynnu.
Mae gan labeli siaradwyr dair gosodiad: i ffwrdd, ymlaen, neu When Needed, sy'n dangos labeli unwaith y clywir ail siaradwr. Gallwch enwi siaradwr mewn recordiad (PUT /v1/recordings/{id}/speakers/{idx}), ac unwaith y mae llais siaradwr wedi'i gofrestru, bydd recordiadau yn y dyfodol yn eu hadnabod wrth eu henw. Ar gyfer gorsaf y mae ei chyflwynwyr yn dychwelyd bob bore, mae'r labeli yn peidio â bod yn "Speaker 2" ar ôl yr wythnos gyntaf. Unwaith y mae'r dyfyniad wedi'i wirio, mae'n rhaid iddo adael yr adeilad.
Mae pob fformat ar dab Export trawsgrifiad yn cyflawni swydd mewn ystafell newyddion. Mae SRT yn mynd at y golygydd fideo, fel bod clip o'r ffrwd yn cario is-deitlau; mae SRT wedi'i gyfieithu yn eu cario mewn iaith arall. Mae Excel yn mynd at yr ymchwilydd, un rhes i bob brawddeg gyda'i amser, i gael ei hidlo a'i hanodi. Mae PDF yn mynd at y golygydd sydd eisiau darllen yr awr gyfan ar y trên. Mae JSON yn mynd at bwy bynnag sy'n ysgrifennu offer y ddesg ei hun. Drwy'r API, yr allforio yw GET /v1/recordings/{id}/export?format=srt|json|xlsx|pdf, gyda lang= ar gyfer fersiwn wedi'i chyfieithu. Mae Download audio yn rhoi'r recordiad fel MP3 ar gyfer y pecyn ei hun.
Mae monitro darllediad at ddibenion adrodd yn arfer arferol mewn ystafell newyddion. Mae ailgyhoeddi clip ohono yn weithred wahanol. Mae'n cael ei lywodraethu gan ddefnydd teg, neu fair use, lle'r ydych, a thelerau'r orsaf ei hun, ac felly mae rheolau arferol y ddesg ar ddyfynnu cystadleuydd yn berthnasol i sain y cystadleuydd hefyd. Mae popeth uchod yn ychydig o gliciau yn y Dangosfwrdd; i ddesg gydag ugain o orsafoedd, mae'n well ei sgriptio.
Mae'r llwybr cyfan yn yr API, wedi'i gynnwys ym mhob cynllun ac wedi'i filio ar yr un gyfradd â'r Dangosfwrdd. Mae trawsgrifiad byw gyda ffynhonnell ffrwd yn cael ei greu'n segur, ei gychwyn gan ei recordiad cyntaf, a'i reoli dros HTTP. Gan fod y gweinydd yn tynnu'r sain, mae cychwyn y recordiad yn dychwelyd dim ffrwd i chi ei chyhoeddi: nid oes dim ar eich ochr chi sy'n anfon sain.
API=$VOCALSTACK_API_ORIGIN # the origin shown in the API reference
AUTH="Authorization: Bearer $VOCALSTACK_API_KEY"
# A live transcription whose source the server pulls itself.
TX=$(jq -n '{name: "Morning show", source: {kind: "stream", url: "https://example.org/live.mp3"},
settings: {speakerLabels: "auto"}}' \
| curl -sSf "$API/v1/transcriptions/live" -H "$AUTH" -H "Content-Type: application/json" \
-H "Idempotency-Key: $(uuidgen)" -d @- | jq -r .id)
# Start recording: the server opens the stream now.
REC=$(curl -sSf -X POST "$API/v1/transcriptions/$TX/recordings" -H "$AUTH" \
-H "Content-Type: application/json" -d '{}' | jq -r .recording.id)
# Later: pause, then stop (a live recording must be paused before it is stopped).
curl -sSf -X POST "$API/v1/recordings/$REC/pause" -H "$AUTH"
curl -sSf -X POST "$API/v1/recordings/$REC/stop" -H "$AUTH" -H "Content-Type: application/json" -d '{}'
# Search everything that was said, in English.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=budget" --data-urlencode "lang=en"
Mae'r Idempotency-Key yn gwneud i greu wedi'i ailgynnig ddychwelyd y trawsgrifiad cyntaf yn lle ail un. Mae'r SDKs TypeScript a Python yn lapio'r un galwadau ac maent i'w llwytho i lawr o'r Developers area; mae'r API reference yn cynnwys pob llwybr a'i fframiau.
Gall asiant AI weithio'r llyfrgell heb unrhyw god o gwbl. Mae'r gweinydd MCP ar /v1/mcp yn rhoi set o offer i'r asiant; ymhlith y rhain, mae pedwar yn bwysig yma. Mae search_transcriptions yn chwilio'r hyn a ddywedwyd ar draws trawsgrifiadau'r cyfrif mewn unrhyw iaith ac yn dychwelyd y llinellau sy'n cyfateb, pob un gyda'r trawsgrifiad y mae ynddo a'r amser y cafodd ei ddweud. Mae get_summary yn dychwelyd crynodeb recordiad. Mae transcribe_url a wait_for_transcription yn trawsgrifio fideo orffenedig neu ddolen recordiad ac yn aros am y canlyniad. Mae cychwyn monitor ffrwd fyw yn aros gyda'r Dangosfwrdd neu'r API uchod. Mae'r gosodiad ar gyfer Claude Code, Cursor neu unrhyw gleient Streamable HTTP o dan Developers → Connect an AI agent; mae'r erthygl MCP yn mynd drwyddo. Y cwestiwn olaf yw faint mae'r sgript yn ei gostio i'w rhedeg.
Mae trawsgrifio byw yn costio $0.60 yr awr o sain, wedi'i filio fesul eiliad ($0.01 y funud), gydag isafswm o 5 munud fesul trawsgrifiad. Mae byw yn costio mwy na ffeil oherwydd ei fod yn cael ei drawsgrifio wrth iddo ddigwydd, am gyhyd ag y mae'n rhedeg. Mae ffeiliau yn $0.20 yr awr ($0.0033 y funud; mae ffeil 30 munud yn costio $0.10). Mae'r cyfraddau yr un fath ym mhob cynllun ac drwy'r API, ac nid yw cyfieithiadau, crynodebau, enwi siaradwyr, darlledu a rhannu byth yn ychwanegu at y bil.
Gorsaf sy'n cael ei monitro wyth awr y dydd, bum diwrnod yr wythnos, yw 40 awr fyw: $24 yr wythnos, pa ieithoedd bynnag y mae'r ddesg yn eu darllen.
Mae'r terfynau sy'n bwysig ar gyfer monitro yn amrywio yn ôl cynllun. Mae pob un wedi'i restru yn y drefn Talu wrth fynd, Premium, Enterprise:
Mae cyfrif newydd yn dechrau gyda chredyd cofrestru o $5 ac heb gerdyn, sef mwy nag wyth awr o fonitro byw i'w roi ar brawf. Mae'r tabl llawn ar y dudalen prisiau.