Mae cywirdeb cyfieithu byw yn cael ei benderfynu i raddau helaeth cyn i unrhyw fodel redeg, gan ble mae'r meicroffon. Cymerwch y sain o'r ddesg gymysgu, nid o sedd yn rhes deuddeg, trawsgrifiwch unwaith, ac mae camgymeriad yn dod yn un llinell y gall rhywun ei chywiro i bawb.
Mae'r apiau cyfieithu sydd wedi'u hadeiladu i mewn i ffonau yn gamp go iawn. Yn aml maen nhw'n rhedeg model lleferydd sy'n ddigon bach i ffitio ar y ddyfais a'i batri (mae rhai yn anfon y sain at weinydd pan fydd cysylltiad ar gael), ac ar gyfer brawddegau byr, clir, bob dydd maen nhw'n gwneud y gwaith: gofyn am gyfarwyddiadau, darllen bwydlen, sgwrs ar draws cownter.
Mae ystafell lawn o bobl yn gwrando ar un siaradwr yn broblem wahanol. Y pethau sy'n mynd o'i le mewn lleferydd go iawn yw'r union bethau y mae model bach waethaf am eu trin: geiriau anghyffredin ac enwau, geiriau sy'n swnio'n debyg ("their" a "there", "sail" a "sale"), termau technegol, acenion, pobl yn siarad dros ei gilydd, a sŵn cefndir. Mewn clwb hwylio, mae model sy'n clywed "sale" wedi gwneud dyfaliad rhesymol a chamgymeriad hyderus.
Dau beth sy'n gwneud i'r model bach ddyfalu mwy na'r un mawr. Mae wedi cael ei gywasgu i ffitio'r ffôn, felly mae'n gwybod llai o eiriau a llai o ffyrdd o'u dweud; mae'n dyfalu cyfenw nad yw wedi'i weld erioed, o'r synau yn unig. A rhaid i adnabod byw ymrwymo i air cyn i weddill y frawddeg gyrraedd, felly ni all y model ddefnyddio'r hyn a fyddai wedi setlo "sail" yn erbyn "sale": y geiriau sy'n dod nesaf, neu sgript sy'n dweud beth yw testun y sgwrs. Mewn adnabod lleferydd, mae cyd-destun yn golygu'n union y ddau beth hynny: y geiriau o'i amgylch, a'r hyn sy'n hysbys ymlaen llaw.
Pan nad yw'r model yn siŵr, mae'n dyfalu. Yna mae'r cyfieithiad yn cael ei adeiladu ar y dyfaliad, ac nid oes gan y person sy'n ei ddarllen unrhyw ffordd o wybod hynny. Does neb yn yr ystafell yn gallu gweld bod llinell yn anghywir, heb sôn am ei chywiro. Ac nid un gwrandäwr yw ystafell ond hanner cant o wrandawyr.
Mae ffôn yn clywed yr ystafell, nid y siaradwr. Pellter sy'n gyfrifol: mae meicroffon llabed neu ddesg yn eistedd rai centimetrau o'r geg, tra bo ffôn yn rhes deuddeg, ddeg metr neu fwy i ffwrdd, a'r rhan fwyaf o'r hyn sy'n cyrraedd ato wedi bownsio oddi ar y waliau, y nenfwd a chefnau'r cadeiriau yn gyntaf. Mae sain sydd wedi adlewyrchu yn cyrraedd yn hwyr ac yn aneglur. Ar ben hynny mae'r ffôn yn codi'r person sy'n pesychu ddwy res yn ôl, sibrwd cymydog, a beth bynnag mae'r seinyddion yn ei wneud i'r llais ar ei ffordd ar draws y neuadd. Mae pob sedd yn cael recordiad ychydig yn wahanol, felly mae pob sedd yn cael trawsgrifiad ychydig yn wahanol.
Mae ffôn hefyd yn cyfieithu i un person. Mae hanner cant o fynychwyr yn dal hanner cant o ffonau i fyny, ac maen nhw'n cynhyrchu hanner cant o drawsgrifiadau annibynnol o'r un sgwrs, gyda hanner cant o setiau gwahanol o gamgymeriadau. Bydd dau berson sy'n cymharu nodiadau wedyn yn anghytuno ar yr hyn a ddywedwyd. Mae'r siaradwr, yn y cyfamser, yn annerch wal o ffonau wedi'u codi, sy'n dorf anodd i'w darllen.
I rai pobl yn yr ystafell mae hyn yn fwy na thrafferth; mae'n penderfynu a ydyn nhw'n gallu dilyn y sgwrs o gwbl. Mae angen un testun cyffredin cywir ar fynychwr sydd â nam ar ei glyw, neu rywun sy'n dilyn mewn trydydd iaith, nid hanner cant o ymdrechion gorau. Mae hynny'n golygu trawsgrifio'r siaradwr unwaith a rhoi'r un canlyniad i bawb. Dim ond os caiff ei wneud yn dda y mae trawsgrifio unwaith yn talu ar ei ganfed, ac mae hynny'n dechrau gyda lle mae'r sain yn dod.
Dim ond cystal â'r sain y mae'r trawsgrifiad a wneir ohono. Felly y penderfyniad cyntaf yw nid pa fodel i'w ddefnyddio ond pa signal i'w fwydo iddo. Yr ail yw beth i'w ddweud wrth y model cyn iddo ddechrau.
Mae trawsgrifiad byw yn cymryd ei sain o ble bynnag mae'r signal glân eisoes:
Mae VocalStack yn tynnu ffrwd URL ei hun, felly does dim byd yn rhedeg ar eich ochr chi. Mae porthiant RTMP yn gweithio'r ffordd arall: eich amgodiwr sy'n ei wthio. Caiff iaith y siaradwr ei chanfod yn awtomatig, a gallant newid iaith unrhyw bryd. Os ydych chi'n gwybod yr iaith a bod y recordiad yn swnllyd neu ag acen drom, mae ei henwi yn gwella'r cywirdeb.
Mae sain lân yn cael gwared ar y camgymeriadau a achosir gan yr ystafell. Nid yw'n gwneud dim am y camgymeriadau a achosir gan eirfa, ac mae angen math gwahanol o help ar y rheini.
Does gan ffôn ddim syniad pwy sy'n siarad na beth yw testun y sgwrs, felly synau eraill yw enw cynnyrch neu gyfenw y mae'n rhaid eu hamcangyfrif. Gall darllediad gael gwybod ymlaen llaw beth i'w ddisgwyl.
Os ychwanegwch sgript neu sleidiau cyn i chi ddechrau, bydd yr enwau a'r termau ynddynt yn drech na'r hyn a gamglywodd yr injan. Yn ystod y recordiad mae tab Script yn dilyn y siaradwr fel teleprompter. Dyma'r enillion cywirdeb unigol mwyaf ar gyfer y math o leferydd sy'n llenwi cynadleddau a darlithoedd: yn llawn enwau priod a geirfa nad yw unrhyw fodel cyffredinol wedi'i chlywed yn ddigon aml.
Mae sain dda a geirfa yn cael gwared ar y rhan fwyaf o'r gwallau. Y cwestiwn yw beth sy'n digwydd i'r gwallau sy'n weddill.
Hyd yn oed gyda sain dda a sgript, bydd rhai llinellau yn dod allan yn anghywir. Y gwahaniaeth yw beth sy'n digwydd nesaf.
Ar ffôn, dim. Mae'r llinell anghywir yn llithro heibio ac mae'r cyfieithiad sydd wedi'i adeiladu arni yn mynd gyda hi.
Mewn darllediad, mae llinell rhy aneglur i'w dangos yn cael ei chuddio oddi wrth wrandawyr fel "Audio unclear" yn hytrach na'i chyflwyno fel ffaith.
Yna mae'r gwesteiwr, sy'n cael tab Fix: gall y geiriau yr oedd yr injan yn ansicr ohonynt gael eu lliwio a'u tanlinellu, mae clic yn agor llinell i'w hadolygu, a gellir ail-ysgrifennu unrhyw air neu linell tra bo'r trawsgrifiad yn dal yn fyw. Mae pob gwrandäwr yn gweld y cywiriad yn ei iaith ei hun. Mae pob cywiriad wedi'i nodi a gellir ei dad-wneud.
Nid y pwynt yw nad yw gweinydd byth yn gwneud camgymeriadau. Y pwynt yw bod camgymeriad yn weladwy, yn eiddo i rywun yn yr ystafell, ac yn cael ei gywiro unwaith i bawb.
Mae cywiriadau yn trwsio'r hyn y mae gwrandawyr yn ei ddarllen. Mae gwrandawyr sy'n well ganddynt glywed y sgwrs yn cael yr un testun wedi'i gywiro, wedi'i lefaru.
Gall gwrandäwr sy'n well ganddo wrando na darllen gael pob llinell wedi'i chyfieithu wedi'i darllen yn uchel. Yn ddiofyn mae gan bob siaradwr llais parod gwahanol o'r un rhyw, fel bod panel yn dal i swnio fel panel. Gallwch neilltuo llais i bob siaradwr, neu ddistewi un.
Gyda chaniatâd y siaradwr, gallwch fynd ymhellach a chlonio ei lais o ddeg ar hugain eiliad o'i leferydd, naill ai wedi'i uwchlwytho fel clip neu wedi'i gymryd yn uniongyrchol o siaradwr mewn recordiad; mae ychydig funudau yn rhoi canlyniad gwell. Yna caiff y cyfieithiad ei ddarllen yn llais y siaradwr ym mhob iaith. Gall siaradwr sydd â llais wedi'i gadw hefyd gael ei adnabod mewn recordiadau diweddarach, er bod y system yn ffafrio gadael siaradwr heb ei enwi yn hytrach nag enwi'r person anghywir.
Mae dau reol yn berthnasol, ac maen nhw'n fwriadol. Data biometrig yw llais wedi'i glonio: dim ond gyda chytundeb penodol y siaradwr y caiff ei wneud, a gellir ei ddileu unrhyw bryd. A dim ond trawsgrifiad neu ei gyfieithiad y mae llais yn ei lefaru erioed; ni ellir ei wneud i ddweud rhywbeth na ddywedodd ei berchennog erioed.
Mae popeth hyd yma yn digwydd tra bo'r siaradwr yn siarad. Mae'r gwahaniaeth olaf yn ymddangos ar ôl iddyn nhw stopio.
Mae'r hanner cant o drawsgrifiadau ffôn yn diflannu pan fydd yr apiau'n cau. Mae darllediad yn cadw'r recordiad yn eich llyfrgell: y sain, a'r trawsgrifiad gyda phob cywiriad a chyfieithiad. Yno gellir ei ail-chwarae llinell wrth linell, ei chwilio mewn unrhyw iaith ac allforio; mae'r daith gerdded yn Un ddolen, pob iaith yn egluro beth mae'r llyfrgell yn ei wneud. Nid yw gwrandawyr yn costio dim, faint bynnag ohonynt. Rydych chi'n talu am y sain a drawsgrifiwyd, ar $0.60 yr awr ar gyfer byw, gydag isafswm o 5 munud fesul trawsgrifiad, ac mae'r dudalen brisiau yn cynnwys y cerdyn cyfraddau.
Mae ffôn ym mhob llaw yn dal i fod yn ddewis wrth gefn da ar gyfer sgwrs mewn cyntedd. Ar gyfer ystafell sy'n gorfod deall un siaradwr gyda'i gilydd, dylid trawsgrifio'r siaradwr unwaith, o'r ffynhonnell, gyda rhywun sy'n gallu cywiro'r hyn sy'n mynd o'i le. Gallwch weld sut mae hynny'n edrych yn yr arddangosiad rhyngweithiol ar y dudalen hafan.
