Nøjagtigheden af live-oversættelse afgøres for det meste, før nogen model kører, af hvor mikrofonen står. Tag lyden fra mixerbordet, ikke fra et sæde i række tolv, transskribér den én gang, og en fejl bliver til én linje, som nogen kan rette for alle.
De oversættelsesapps, der er indbygget i telefoner, er en reel præstation. De kører ofte en talemodel, der er lille nok til at passe på enheden og i dens batteri (nogle sender lyden til en server, når der er forbindelse), og til korte, klare, hverdagsagtige sætninger gør de det, de skal: spørge om vej, læse en menu, en samtale over en disk.
Et rum fuldt af mennesker, der lytter til én taler, er et andet problem. Det, der går galt i rigtig tale, er netop det, en lille model er dårligst til: sjældne ord og navne, ord der lyder ens ("their" og "there", "sail" og "sale"), faglige termer, accenter, folk der taler i munden på hinanden, og baggrundsstøj. I en sejlklub har en model, der hører "sale", lavet et rimeligt gæt og en selvsikker fejl.
To ting får den lille model til at gætte mere end en stor. Den er blevet komprimeret for at passe ind i telefonen, så den kender færre ord og færre måder at sige dem på; et efternavn, den aldrig har mødt, tilnærmer den ud fra lydene alene. Og live-genkendelse skal forpligte sig til et ord, før resten af sætningen er kommet. Modellen kan derfor ikke bruge det, der ville have afgjort, om der var tale om "sail" eller "sale": de ord, der kommer efter, eller et oplæg, der siger, hvad talen handler om. I talegenkendelse betyder kontekst præcis disse to ting: de omkringliggende ord og det, der er kendt på forhånd.
Når modellen er usikker, gætter den. Oversættelsen bygger så på gættet, og personen, der læser den, har ingen måde at vide det på. Ingen i rummet kan se, at en linje var forkert, og endnu mindre rette den. Og et rum er ikke én lytter, men halvtreds.
En telefon hører rummet, ikke taleren. Afstanden er årsagen: en lavalier- eller bordmikrofon sidder få centimeter fra munden, mens en telefon i række tolv står ti meter væk eller mere, og det meste af det, der når den, har først kastet sig mod væggene, loftet og ryggene på stolene. Reflekteret lyd ankommer for sent og udtværet. Oveni opfanger telefonen personen, der hoster to rækker bagved, naboens mumlen og det, højttalerne gør ved stemmen på vej over salen. Hvert sæde får derfor en lidt anden optagelse, og dermed en lidt anden transskription.
En telefon oversætter også kun for én person. Halvtreds deltagere med halvtreds telefoner giver halvtreds uafhængige transskriptioner af den samme tale, hver med sit eget sæt fejl. To personer, der sammenligner noter bagefter, vil ikke være enige om, hvad der blev sagt. Taleren henvender sig imens til en mur af løftede telefoner, og det er et svært publikum at læse.
For nogle i rummet er det mere end en ulempe; det afgør, om de overhovedet kan følge med. En deltager med nedsat hørelse, eller en der følger med på et tredje sprog, har brug for én korrekt fælles tekst, ikke halvtreds bedste forsøg. Det kræver, at taleren transskriberes én gang, og at alle får det samme resultat. At transskribere én gang betaler sig dog kun, hvis det gøres godt, og det starter med, hvor lyden kommer fra.
Transskriptionen er kun så god som den lyd, den er lavet af. Så den første beslutning er ikke, hvilken model der skal bruges, men hvilket signal der skal sendes til den. Den anden er, hvad modellen skal vide, før den går i gang.
En live-transskription henter sin lyd fra det sted, hvor det rene signal allerede findes:
VocalStack henter selv en URL-stream, så der kører intet på din side. Et RTMP-feed fungerer omvendt: din encoder sender det. Talerens sprog registreres automatisk, og de kan skifte sprog når som helst. Hvis du kender sproget, og optagelsen er støjende eller har en tydelig accent, forbedrer det nøjagtigheden at angive det.
Ren lyd fjerner fejlene, som rummet forårsager. Den gør ingenting ved fejlene, som ordforrådet forårsager, og dem skal der en anden slags hjælp til.
En telefon har ingen anelse om, hvem der taler, eller hvad oplægget handler om, så et produktnavn eller et efternavn er bare endnu en lyd, der skal gættes. En udsendelse kan til gengæld få at vide på forhånd, hvad der kommer.
Hvis du tilføjer et manuskript eller slides, før du starter, vinder navnene og termerne i dem over det, motoren har misforstået. Under optagelsen følger fanen Script taleren som en teleprompter. Det er den enkeltstørste nøjagtighedsgevinst for den slags tale, der fylder konferencer og forelæsninger: tæt på egennavne og fagudtryk, som ingen almindelig model har hørt ofte nok.
God lyd og en ordliste fjerner de fleste fejl. Spørgsmålet er, hvad der sker med de fejl, der bliver tilbage.
Selv med god lyd og et manuskript vil nogle linjer komme ud forkert. Forskellen ligger i, hvad der sker derefter.
På en telefon: ingenting. Den forkerte linje ruller forbi, og oversættelsen, der er bygget på den, forsvinder med den.
I en udsendelse skjules en linje, der er for uklar til at blive vist, for lytterne med teksten "Audio unclear" i stedet for at blive præsenteret som fakta.
Så er der værten, som har fanen Fix: de ord, motoren var usikker på, kan farves og understreges, et klik åbner en linje til gennemgang, og ethvert ord eller enhver linje kan omskrives, mens transskriptionen stadig kører. Hver lytter ser rettelsen på sit eget sprog. Hver rettelse er markeret og kan fortrydes.
Pointen er ikke, at en server aldrig laver fejl. Det er, at en fejl er synlig, ejet af en person i rummet og rettet én gang for alle.
Rettelser ændrer det, lytterne læser. Lyttere, der hellere vil høre talen, får den samme rettede tekst, oplæst.
En lytter, der hellere lytter end læser, kan få hver oversat linje læst højt. Som standard får hver taler en særskilt standardstemme af det matchende køn, så et panel stadig lyder som et panel. Du kan tildele en stemme til hver taler eller slå en enkelt fra.
Med talerens tilladelse kan du gå videre og klone deres stemme ud fra tredive sekunders tale, enten uploadet som et klip eller hentet direkte fra en taler i en optagelse; et par minutter giver et bedre resultat. Oversættelsen læses så op med talerens egen stemme på alle sprog. En taler med en gemt stemme kan også genkendes i senere optagelser, selvom systemet hellere lader en taler være unavngivet end navngiver den forkerte person.
To regler gælder, og de er bevidste. En klonet stemme er biometriske data: den laves kun med talerens udtrykkelige samtykke, og den kan slettes når som helst. Og en stemme taler kun en transskription eller dens oversættelse; den kan ikke få til at sige noget, dens ejer aldrig har sagt.
Alt indtil nu sker, mens taleren taler. Den sidste forskel viser sig, når de er holdt op.
De halvtreds telefontranskriptioner forsvinder, når apps'ene lukkes. En udsendelse gemmer optagelsen i dit bibliotek: lyden og transskriptionen med alle rettelser og oversættelser. Der kan den afspilles linje for linje, søges på ethvert sprog og eksporteres; gennemgangen i Ét link, alle sprog beskriver, hvad biblioteket kan. Lyttere koster intet, uanset hvor mange der er. Du betaler for den transskriberede lyd, $0.60 i timen for live, med et minimum på 5 minutter pr. transskription, og prissiden har prislisten.
En telefon i enhver hånd er stadig en god reserve til en samtale i gangen. Men for et rum, der skal forstå én taler i fællesskab, bør taleren transskriberes én gang, fra kilden, med nogen der kan rette det, der går galt. Du kan se, hvordan det ser ud i den interaktive demo på forsiden.
