Realtidstransskription og oversættelse forklaret: hvordan live tale til tekst virker, hvor langt efter den ligger, hvad der påvirker nøjagtigheden og prisen.
Realtidstransskription gør tale til tekst, mens personen stadig taler. Ordene dukker op på skærmen få øjeblikke efter, at de er sagt, falder til ro som endelige linjer og kan læses af alle, der følger med. Tilføj oversættelse i realtid, og hver læser kan følge den samme tale på sit eget sprog, som tekst eller læst højt.
Denne guide dækker realtidstransskription og oversættelse fra begge sider: hvad en lytter ser, hvor lyden kan komme fra, hvad der afgør nøjagtigheden, hvad udviklere får fra et API, og hvad det koster.
Realtidstransskription, også kaldet live-transskription eller live tale til tekst, er talegenkendelse, der kører, mens lyden stadig kommer ind. En optaget fil kan transskriberes med hele optagelsen ved hånden. En live-transskription må fastlægge ordene med kun de sidste par sekunder at gå ud fra og holde trit med taleren, så længe vedkommende taler.
Live-undertekster er det samme vist som korte linjer over en video eller på en skærm.
På VocalStack kan en live-transskription lytte på 100 sprog. Den registrerer selv det talte sprog og følger taleren, hvis vedkommende skifter, hvilket hvordan automatisk sprogregistrering virker forklarer, sammen med hvornår du bør angive sproget på forhånd.
Teksten kommer i to trin. De nyeste ord dukker først op som et udkast, som stadig kan ændre sig, efterhånden som der kommer mere lyd ind. Et øjeblik senere falder udkastet til ro som en endelig linje, der ikke ændres igen.
Udkastet findes, fordi en genkender afgør et ord delvist ud fra det, der følger efter. "Ice cream" og "I scream" lyder ens, indtil næste ord kommer. At vise gættet tidligt er det, der får en transskription til at føles live.
Hvor langt efter taleren teksten ligger, afhænger af trinnet:
To forsinkelser ligger uden for den kæde. Når kilden er en offentlig stream og ikke en mikrofon, ligger streamen selv allerede bagud i forhold til sin live-kant: et sekund eller tre for en almindelig internetradiostream og alt fra flere sekunder til et halvt minut for HLS. Og på Pay as you go kan en live-transskription tage op til 15 sekunder at starte. Den fulde gennemgang, herunder latenstilstandene Auto, Fast og Accuracy, står i forsinkelse ved live oversættelse, forklaret.
Oversættelsen kører oven på transskriptionen. En live-transskription kan oversættes til op til 10 sprog på én gang, valgt blandt 100. Hver lytter vælger et af dem på sin egen enhed og kan skifte når som helst; transskriptionen indtil nu vises igen på det nye sprog.
Alle sprog oversættes fra den samme transskription, så alle lyttere får de samme ord, og en rettelse når dem alle.
En lytter, der hellere vil lytte end læse, kan få hver oversat linje læst højt. Som standard får hver taler en tydelig standardstemme, der svarer til vedkommendes køn, så et panel stadig lyder som flere mennesker. Med en talers samtykke kan en vært klone den talers stemme ud fra omkring 30 sekunder, hvor vedkommende taler alene, og oversættelsen læses så med vedkommendes egen stemme.
Reglen for stemmer er bevidst snæver. En stemme læser kun det, den samme person sagde, oversat til et sprog, lytteren har valgt. Den læser aldrig tekst, som nogen taster ind, og den læser aldrig én talers ord med en andens stemme.
Hvordan det virker for et helt rum, fra værtens opsætning til en lytter, der kommer sent, står i ét link, alle sprog.
En live-transskription skal bruge en lydkilde. Det er dem, VocalStack tager i dag:
Undertekster inde i YouTubes egen afspiller, gennem dens CC-knap, er på vej. Indtil da følger seere af en YouTube-stream underteksterne på broadcast-linket.
Hvis du har brug for live-transskription på Windows i dag, virker Chrome- eller Edge-udvidelsen, OBS-pluginet og Dashboardet i en browser.
En broadcast er den måde, andre følger en live-transskription på. Det er ét link og en QR-kode. Lyttere åbner det i en browser, vælger et sprog og læser med. De behøver ingen konto og installerer intet, og de koster ikke noget: regningen ændrer sig ikke med antallet af lyttere eller sprog.
En broadcast er offentlig som standard og kan beskyttes med en adgangskode. Hvis du omdøber dens link, virker det gamle stadig, så en QR-kode, der er trykt på et program, ikke bliver forældet. Én broadcast kan rumme flere live-transskriptioner, så to scener kan dele ét link.
En lytter, der kommer for sent, ser alt det, der blev sagt, før vedkommende kom ind, og følger derefter live. Bagefter viser Audience-visningen, hvem der lyttede, på hvilket sprog, og hvornår de kom ind.
Til begivenheder dækker tjeklisten til flersprogede konferencer lyd, scener og budget, og live-transskription til kirker, forelæsningssale og byrådssale dækker den ugentlige version af samme opsætning.
Alt ovenstående kan gøres fra kode. Til live-lyd i din egen app har API'et realtime-sessioner: din server foretager ét kald til POST /v1/realtime/sessions med en API-nøgle og får en kortvarig streamUrl tilbage. Din klient åbner en WebSocket til den, sender rå lyd, mens den optages, og læser transskriptionen tilbage som JSON-frames.
Frames følger de samme to trin, som en læser ser. En transcript.draft erstatter den levende hale, en transcript.committed tilføjer en endelig linje, og når oversættelse er slået til, kommer hele sætninger med deres oversættelser vedhæftet. Målsprog, talermærkning og latenstilstand kan ændres midt i en session med session.update.
En realtime-session gemmer ingenting. Når du vil have ordene gemt, rettet og delt med et publikum, udgiver du i stedet lyden til en live-transskription og en broadcast. Officielle SDK'er til TypeScript, Python og PHP omfatter begge dele, og en MCP-server lader en AI-assistent bruge den samme konto.
WebSocket-vejledningen bygger en fungerende undertekstvisning trin for trin, og API-referencen har hvert felt. API-brug faktureres til samme takst som Dashboardet.
Nøjagtigheden afgøres mest, før nogen genkender kører, af den lyd, den får. Fire ting gør den største forskel.
Mikrofonen. En mikrofon tæt på taleren, eller en feed fra spillestedets mixerpult, bærer stemmen med kun lidt af rummet. En telefon på et bord hører taleren plus efterklang, stole og hoste. Det er den største enkeltfaktor, og hvorfor en telefon ikke er nok til et rum forklarer hvorfor.
Støj og overlap. Baggrundsstøj giver tabte ord og opfundne ord, og to personer, der taler samtidig, forvirrer både ordene og hvem der sagde dem. Fejl i lydtransskription opregner syv almindelige årsager, hvordan hver ser ud, og hvordan den rettes.
Et Reference Script. Velkendte navne og begreber genkendes, som de er. En virksomheds produktnavne, en intern forkortelse eller en gæsts usædvanlige efternavn kan ikke kendes på forhånd, så tilføj et script eller slides, før du starter, og navnene og begreberne i dem bliver skrevet præcis, som du stavede dem.
Talermærkning. Labels kan være Off, On eller When Needed, som slår dem til, når en anden taler høres. Talerdiarisering vs. talegenkendelse forklarer, hvordan de to svar, hvad der blev sagt og hvem der sagde det, er adskilte og rettes hver for sig.
Latenstilstanden betyder også noget: Fast får tekst ud hurtigere, men reviderer mere af den, Accuracy venter lidt længere.
Et enkelt nøjagtighedstal siger mindre, end det ser ud til. Ordfejlrate tæller et forkert navn lige så tungt som et droppet "the", og derfor går hvad ordfejlrate måler, og hvad den overser ind for at bedømme et system ud fra, hvilke fejl det lader dig fange og rette.
Ingen live-transskription er perfekt, så værtsskærmen har en fane Fix. Den kan markere de ord, genkenderen var usikker på, og enhver linje kan åbnes og rettes. En anden person ved pulten kan arbejde sig igennem dem, mens taleren fortsætter.
Når værten omskriver et ord eller en linje, også en, der stadig bliver sagt, ser alle lyttere rettelsen, på alle sprog. En linje, der er hørt med for lav sikkerhed, skjules for lyttere som "Audio unclear" i stedet for at blive vist forkert; værten ser den stadig.
Optagelsen gemmes med sin transskription, sine rettelser og oversættelser. Bagefter kan du:
Hvor længe lyd og transskriptioner gemmes, afhænger af abonnementet, og prissiden viser det.
De fleste værktøjer til live-transskription ligner hinanden i en demo; forskellene viser sig i spørgsmålene nedenfor. Højre kolonne beskriver VocalStack, som det er i dag.
| Spørgsmål | Hvorfor det betyder noget | VocalStack |
|---|---|---|
| Hvilke sprog kan den høre? | Et værktøj, der ikke kan transskribere talerens sprog, kan ikke hjælpe, uanset hvor god dets oversættelse er. | 100 sprog, registreres automatisk, med skift midt i talen |
| Hvor langt efter taleren ligger teksten? | Læsere lægger mere mærke til et voksende hul end til et enkelt forkert ord. | Originalteksten en brøkdel af et sekund bagefter, oversættelsen et sekund eller to senere; tre latenstilstande |
| Oversætter den, og hvem vælger sproget? | Ét undertekstsprog på én skærm udelukker alle andre. | Op til 10 sprog pr. transskription, hver lytter vælger sit |
| Kan den tale oversættelsen? | Nogle lyttere kan ikke læse med, eller vil helst lade være. | Standardstemmer som udgangspunkt; en talers egen klonede stemme med vedkommendes samtykke |
| Hvordan får publikum den? | Apps og konti mister folk ved døren. | Ét link og en QR-kode, ingen konto, valgfri adgangskode |
| Kan du rette fejl live? | Et misforstået navn, der gentages i en time, gør reel skade. | Live-rettelser, som alle lyttere får |
| Hvor kan lyden komme fra? | Din opsætning bør ikke skulle ændres for at passe til værktøjet. | Mikrofon, browserudvidelser, desktop-app, OBS, RTMP, streamlinks |
| Er der et API? | Du vil måske have undertekster i dit eget produkt. | REST- og WebSocket-API, SDK'er, MCP-server, samme takst som Dashboardet |
| Hvordan er prisen sat? | Priser pr. lytter eller pr. plads vokser med dit publikum. | Pr. sekund lyd; lyttere og sprog er gratis |
På VocalStack betaler du pr. sekund transskriberet lyd. I skrivende stund koster live-transskription $0,60 i timen, og filer koster $0,20 i timen, på alle abonnementer, både i Dashboardet og gennem API'et. Oversættelse, stemmer, resuméer, broadcast og lyttere lægger aldrig noget til regningen, så et foredrag på en time, læst af 200 mennesker på fem sprog, koster de samme $0,60 som et, der læses af ingen.
Abonnementerne adskiller sig på nogle få punkter:
Hvis ingen behøver at læse med, mens det sker, så upload optagelsen bagefter til filtaksten. Aktuelle priser, opbevaring og grænser for hvert abonnement står på prissiden.
En ny VocalStack-konto kommer med $5 i signup-kredit og kræver intet kort. Til $0,60 i timen er det omkring otte timers live-transskription, med oversættelse og broadcast inkluderet. Derefter betaler du pr. sekund. Lyttere er altid gratis.
Ja. En live-transskription kan oversættes til op til 10 sprog på én gang, mens personen taler. Oversættelsen dukker op et sekund eller to efter den oprindelige tekst, og hver lytter vælger sit eget sprog.
Det afhænger mest af lyden. En mikrofon tæt på eller en feed fra pulten, lidt baggrundsstøj, én person ad gangen og et Reference Script med navnene i giver de bedste resultater. Live-rettelser lader en vært rette det, der stadig er forkert, mens foredraget fortsætter.
Teksten på originalsproget ligger en brøkdel af et sekund efter taleren, og oversættelser følger et sekund eller to senere. En offentlig stream lægger sin egen forsinkelse på, før lyden når VocalStack.
Ja, gennem Chrome- eller Edge-udvidelsen, OBS Studio-pluginet eller Dashboardet i en browser. Desktop-appen findes i dag til macOS, med Windows på vej.
Nej. Lyttere åbner broadcast-linket eller scanner dets QR-kode i en browser, vælger et sprog og læser. Der er intet at installere.
Åbn Dashboardet, start en live-transskription fra din mikrofon, og åbn dens broadcast-link på din telefon. Signup-kreditten dækker dine første timer, og du kan selv se udkastene falde til ro og oversættelsen følge efter.