Et flersproget rum behøver ikke en tolkekabine pr. sprog. Det behøver ét rent lydsignal fra bordet, ét link som publikum åbner på deres egne telefoner, og en måde at rette et forkert hørt navn på, mens talen stadig er i gang.
En tale, en gudstjeneste, en forelæsning eller et byrådsmøde har én person, der taler, og et publikum, der ikke alle tænker på det sprog. De sædvanlige løsninger er dyre, delvise eller private.
Den dyre løsning er en tolk til hvert sprog. Selv med én tolk pr. sprog er det en kabine, et sæt modtagere og en specialist for hvert sprog i rummet, og specialisterne siger ikke det samme. Hver tolk træffer egne valg under tidspres: hvilket ord der bruges for et begreb, hvad der komprimeres, og hvad der droppes, når taleren taler hurtigere. Ved en almindelig tale betyder forskellene næsten intet. Ved en retssag, en byrådsafstemning eller en teknisk orientering betyder de noget: et defineret begreb, en dosis eller en klausul kan nå de franske lyttere med én betydning og de arabiske lyttere med en anden, og ingen i rummet er i stand til at opdage det. Den delvise løsning er en undertekstlinje på én skærm, på kun ét andet sprog. Den private løsning er halvtreds telefoner holdt op mod rummet: halvtreds lidt forkerte transskriptioner, hvor hver telefon hører ekkoet og hostningen lige så tydeligt som taleren.
Alternativet er at transskribere taleren én gang, fra en ren kilde, oversætte den ene transskription til de sprog publikum har brug for, så alle sprog starter fra de samme ord, og lade hver lytter vælge på sin egen enhed. Optagelsen gemmes, når begivenheden er slut. Her er det, værten og lytteren hver især skal sætte op, og hvad det koster.
En live-transskription kan lytte til en mikrofon på en hvilken som helst enhed, et RTMP-signal fra OBS eller en anden encoder, der tager en server-URL og en stream-nøgle, en YouTube-live, en internetradiostation eller en hvilken som helst URL, der leverer en stream. Ved en stream henter VocalStack selv lyden; der kører intet på din side.
Kilden betyder mere end nogen indstilling. En rum-mikrofon, eller en telefon på et bord, hører både taleren og rummet: efterklang fra vægge, stole og publikum. Talegenkendelse forringes kraftigt, jo svagere stemmen er i forhold til den støj, og det er derfor, de halvtreds telefoner er uenige med hinanden. Et signal fra mixerbordet bærer taleren egen mikrofon med kun lidt af rummet med, så transskriptionen følger taleren og ikke rummet. Hvis stedet har et mixerbord, så tag signalet derfra.
Det talte sprog registreres automatisk, og taleren må skifte når som helst; at nævne sproget på forhånd hjælper ved støjende optagelser og kraftige accenter. Talermærkater kan være fra, til eller When Needed, som slår dem til, når en anden taler høres. Når lyden først kommer ind, skal publikum have et sted, hvor de kan finde den.
En udsendelse er linket: én adresse og en QR-kode, som lyttere scanner for at åbne den live-oversættelse og vælge deres sprog. Linket dannes ud fra det navn, du giver udsendelsen. Omdøber du den senere, virker det gamle link stadig, så en QR-kode trykt på et program bliver ikke forældet.
En udsendelse er offentlig som standard: alle med linket kan åbne den. Gør den privat og sæt en adgangskode, så bliver lyttere bedt om den, før transskriptionen vises.
En udsendelse kan forsynes af flere live-transskriptioner, så en konference med to scener stadig deler ét link. Linket får folk med; det, der holder dem, er at få navnene rigtige.
Talegenkendere er trænet på, hvordan folk plejer at tale, så når en lyd er tvetydig, griber de det almindelige ord. Et produktnavn, et efternavn, en landsby, et kemisk stof: hvert af dem har et hyppigere næsten-homofon, og det er det, der kommer ud, medmindre genkenderen får at vide, at det sjældne ord er på vej. Det er det, et script er til. Tilføj et script eller slides, før du starter, og navnene og begreberne i dem vinder over det, der blev hørt forkert. Netop disse navne og begreber er der, hvor genkendelsen normalt falder igennem ved en specialiseret tale. Under optagelsen følger fanen Script med som en teleprompter og markerer de ord, der er sagt indtil nu.
Det er hele opsætningen. På den anden side af linket er der endnu mindre at gøre.
En lytter har brug for et link eller en QR-kode og en telefon. De åbner linket i en browser og ser The broadcast hasn't started yet, indtil værten trykker på optagelse, og derefter Live. The first line appears in a moment. De vælger blandt de sprog, værten har valgt (op til 10 pr. transskription, ud af 100 tilgængelige), og læser transskriptionen, mens taleren taler. Værten bliver ved med at tale sit eget sprog. En lytter kan skifte sprog når som helst; transskriptionen indtil nu vises igen på det nye sprog.
Hvis en lytter foretrækker at lytte, bliver hver oversat linje læst op. Som standard får hver taler en særskilt standardstemme af det matchende køn, så et panel stadig lyder som et panel.
De tre trin sker i rækkefølge, og hvert trin venter på det forrige. Genkendelse har brug for et stykke tale, før den kan fastlægge ordene, så transskriptionen halter bag taleren med en brøkdel af et sekund. Oversættelse har brug for en hel sætning, fordi ordstillingen er forskellig på sprogene, og slutningen af en sætning kan ændre begyndelsen, så den følger et sekund eller to senere. Tale har brug for den oversatte sætning, før den kan begynde, så en talt linje kommer sidst. Intet af dette er en fejl, der skal tunes væk; det er det, ethvert system, der gør disse tre ting, må gøre, også en menneskelig tolk, der også venter på verbet.
Med talerens tilladelse kan en vært klone talerens stemme ud fra tredive sekunder af den person, der taler alene (en MP3, M4A eller WAV; et par minutter er bedre). Oversættelsen læses så op med talerens egen stemme på alle sprog. Behandl en stemme som de biometriske data, den er. Under GDPR falder stemmedata, der behandles for at genkende en person, generelt ind under særlige kategorier i artikel 9, og nogle amerikanske stater, blandt dem Illinois, regulerer stemmeaftryk særskilt. Indhent talerens udtrykkelige samtykke, før prøven optages, ikke efterfølgende; stemmen kan slettes når som helst. Kloning registrerer også taleren, så de bliver mærket med navn i fremtidige optagelser. En vært kan tildele en stemme til hver taler eller slå en af dem fra.
En lytter, der kommer for sent, ser alt, der er sagt, før de kom ind, og følger derefter med live. Hvis forbindelsen falder ud, indhenter siden selv, når forbindelsen er tilbage. Når værten holder pause, ser lyttere Paused. The transcript continues when the host resumes. Når værten stopper, viser siden optagelsens dato og længde, og udsendelsen viser dens tidligere optagelser til genafspilning.
En lytter kan kun læse det, motoren hørte, og live-genkendelse får noget af det forkert.
Værtsskærmen har en fane Fix til netop det. Mark uncertain words farver og understreger de ord, motoren var usikker på; Click to correct åbner en linje til gennemgang. Fanen går igennem usikre segmenter ét ad gangen, så en anden person ved bordet kan arbejde sig igennem dem, mens taleren fortsætter.
Når en vært omskriver et ord eller en linje, selv en der stadig bliver sagt, ser hver lytter rettelsen. En linje, hvis sikkerhed er for lav, skjules for lyttere som Audio unclear i stedet for at blive vist forkert; værten ser stadig hvert ord. Et tomt felt er et kendt hul; et sikkert forkert ord er et rygte.
De rettelser forsvinder ikke, når talen er slut.
Alt bliver gemt. Optagelsen, dens transskription med rettelser og oversættelser samt lyden lander i værtens bibliotek. Genafspilning afspiller det præcis, som det kom ind, linje for linje, med sin lyd. Når ordene er endelige, skrives en titel og et resumé på alle sprog, og værtsskærmens faner Summary og Export tager dem direkte ud af begivenheden.
Eksporter er SRT-undertekster, PDF, Excel eller JSON, med rettelser og oversættelser inkluderet, og lyden downloades som MP3. Hver transskription kan søges i på alle sprog.
Fanen Audience viser, hvem der lyttede, på hvilket sprog, og hvornår de kom ind: ofte den første rigtige optælling, en arrangør får af, hvem der havde brug for hvilket sprog. Indtil da var det sædvanlige skøn, hvem der rakte hånden op, når man spurgte på engelsk, om de havde brug for oversættelse. Lytteridentifikatorer slettes sammen med optagelsen.
Talegenkendelse, talergenkendelse og stemmesyntese kører på servere, vi driver, og din lyd sendes ikke til en tredjepart til behandling. Vi bruger ikke din lyd, dine transskriptioner eller dine stemmer til at træne modeller.
Opbevaring følger abonnementet: på Pay as you go gemmes kildelyd og stemmer i 7 dage, og transskriptioner i 30 dage; Premium og Enterprise gemmer dem, så længe kontoen består. Det andet, et abonnement bestemmer, er regningen.
To tal betyder noget. På Pay as you go og Premium koster live-transskription $0.60 per hour af lyd, faktureret pr. sekund med et minimum på 5 minutter pr. transskription, både i Dashboard og via API'et. Enterprise har volumenpriser. Lyttere og sprog er gratis: en en-times begivenhed læst på fem sprog af to hundrede personer koster $0.60. Filer er billigere ($0.20 per hour), fordi en live-transskription kører i realtid under hele begivenheden. Abonnementerne adskiller sig i samtidighed, maksimal optagelseslængde og opstartshastighed; på Pay as you go kan en kold start tage op til 15 sekunder, så tryk på optag en smule før taleren, cirka et »Kan alle bagerst høre mig?« før. Den fulde tabel står på prissiden.
Forsiden har en demo med to telefoner, og en ny konto i Dashboard får en signup-kredit på $5 og kræver intet kort. Til live-prisen dækker kreditten over otte timers udsendelse.
Overvejer du mellem dette og den live-oversættelse, der er indbygget i alles telefon? Læs hvorfor en telefon ikke er nok til et rum. Til en hel begivenhed dækker tjeklisten for flersprogede konferencer lydvejen, flere scener på ét link og budgettet. Udviklere kan gøre alt dette fra kode via API-referencen, til samme pris.
