Die Wörter, die eine Erkennung im Gottesdienst oder in der Ratssitzung falsch versteht, stehen oft schon auf dem Papier. Geben Sie ihr die Tagesordnung, nehmen Sie den Ton vom Mischpult statt aus dem Raum, und eine wöchentliche Veranstaltung kostet weniger als der Kaffee danach.
Ein Sonntagsgottesdienst, eine Dienstagsvorlesung und eine monatliche Ratssitzung haben mehr gemeinsam, als man meinen würde. Jede findet immer wieder im selben Raum statt, jede wird von einem Ehrenamtlichen oder einer Verwaltungskraft betreut und nicht von einer AV-Firma, und jede dient Menschen, die in einer anderen Sprache besser folgen könnten, Menschen, die schlecht hören, und Menschen, die gar nicht hätten kommen können. Das Budget ist knapp, und die Verantwortlichen wechseln. Wer es im letzten Jahr eingerichtet hat, ist meist längst für den Blumendienst zuständig.
Dieser Artikel zeigt, wie Sie VocalStack für einen solchen Raum einmal einrichten, sodass jede weitere Woche nur noch aus einem Druck auf Start besteht. Er behandelt außerdem die wenigen Dinge, die darüber entscheiden, ob die Wörter auf dem Bildschirm stimmen. Für die einmalige Variante, eine Konferenz mit mehreren Bühnen, siehe Eine mehrsprachige Konferenz mit Live-Untertiteln ausrichten. Beginnen Sie mit dem, was Sie ausdrucken werden.
Eine Übertragung besteht aus einem öffentlichen Link und einem QR-Code. Jeder kann den Link im Browser öffnen, eine Sprache wählen und mitlesen, während gesprochen wird. Es muss nichts installiert und kein Konto angelegt werden. Eine Übertragung kann von beliebig vielen Live-Transkriptionen gespeist werden, sodass die Aufnahme vom kommenden Sonntag und die vom nächsten unter derselben Adresse erscheinen.
Drucken Sie den QR-Code einmal aus und hängen Sie ihn an das Schwarze Brett, die Gottesdienstordnung, die Vorlesungsfolien oder die Wand der Besuchergalerie. Zuhörer scannen ihn, öffnen die Live-Übersetzung und wählen ihre Sprache. Falls Sie den Link jemals umbenennen, öffnet der alte weiterhin dieselbe Übertragung, sodass auch die Handzettel vom letzten Jahr noch funktionieren.
Wer den Link früh öffnet, sieht, dass die Übertragung noch nicht begonnen hat. Wer spät kommt, sieht alles, was vor seiner Ankunft gesagt wurde, und folgt danach live. Wenn die Verbindung eines Zuhörers abbricht, holt er den Rückstand selbst auf.
Eine Übertragung ist standardmäßig öffentlich, was für einen Gottesdienst oder eine Ratssitzung richtig ist und für eine nichtöffentliche Sitzung oder ein Seminar falsch. Stellen Sie sie dafür auf privat und vergeben Sie ein Passwort: Dann können nur Personen mit dem Passwort den Link öffnen, und sie werden danach gefragt, bevor das Transkript erscheint. In jedem Fall sollten Sie an einer gut sichtbaren Stelle angeben, dass der Raum transkribiert wird und wohin der Text geht. Menschen, die laut beten oder in der Bürgerfragestunde drei Minuten öffentlich sprechen, haben nicht unbedingt ein Transkript erwartet. Ein Hinweis dazu in der Gottesdienstordnung oder auf der Tagesordnung kostet wenig. Legen Sie die Übertragung unter {{app}}/broadcasts/new an.
Ein Link allein reicht nicht; irgendetwas muss den Text darauf bringen.
Vor aller Software kommt der Ton. Räume für Gemeinden und Gremien sind auf Nachhall ausgelegt: Stein, hohe Decken, Holzbänke. Ein Telefon oder Laptop am Lesepult hört den Redner zuerst direkt und danach mehrfach von den Wänden zurückgeworfen. Abstand und Hall sind die mit Abstand häufigste Ursache für Erkennungsfehler, weit vor Akzenten. Wenn der Raum ein Mischpult hat, nehmen Sie das Signal von dort ab (einen Aux- oder Aufnahmeausgang), damit die Erkennung hört, was auch die Mikrofone hören. Wer sich bewegt, etwa der Pfarrer, der das Pult verlässt, oder der Dozent an der Tafel, sollte ein Ansteck- oder Headset-Mikrofon tragen, statt sich auf ein Standmikrofon zu verlassen. Lösen Sie dieses Problem, dann ist der Rest meist nur noch Feinabstimmung.
Die meisten Kirchen, Hochschulen und Gemeinderäte leiten dieses Tonsignal bereits irgendwohin weiter, und eine Live-Transkription kann es von dort übernehmen, statt von einem Gerät im Raum.
Bei einem Stream holt VocalStack den Ton selbst ab; auf Ihrer Seite läuft nichts. Die Adresse muss allerdings aus dem Internet erreichbar sein. Ein Stream, der nur in Ihrem eigenen Netzwerk existiert, muss von einem Gerät im Raum mitgeschnitten werden. Starten Sie eine Live-Transkription unter {{app}}/transcriptions/new/live und hängen Sie sie an die Übertragung an.
Sobald gutes Audio ankommt, fallen Ihnen noch die vorhersehbaren Fehler auf.
Die Wörter, bei denen eine Spracherkennung in einer Kirche, einer Vorlesung oder einem Ratssaal danebenliegt, sind vorhersehbar: Namen von Personen und Orten, Bibelstellen, Fachbegriffe, die Punkte einer Tagesordnung. Der Grund ist strukturell. Eine Erkennung wählt die wahrscheinlichsten Wörter zu dem gehörten Laut, und sie lernt diese Wahrscheinlichkeiten aus dem, was Menschen üblicherweise sagen. Ein seltener Nachname verliert also jedes Mal gegen ein gewöhnliches Wort, das ähnlich klingt. Die Antwort des Fachgebiets, bekannt als Biasing oder benutzerdefiniertes Vokabular, besteht darin, dem System mitzuteilen, welche seltenen Wörter zu erwarten sind. Die nützliche Beobachtung für einen wöchentlichen Raum ist, dass genau diese Wörter schon vor der Veranstaltung aufgeschrieben sind.
Fügen Sie vor dem Start ein Skript oder Folien hinzu. Namen und Begriffe daraus haben dann Vorrang vor dem, was die Erkennung falsch verstanden hat. Niemand muss es Wort für Wort vorlesen; eine Predigtgliederung, ein Handzettel oder die veröffentlichte Tagesordnung enthalten schon die meisten Eigennamen. Während der Aufnahme folgt der Reiter Script auf dem Host-Bildschirm wie ein Teleprompter und hebt die bereits gesprochenen Wörter hervor.
Skripte können vorab geschrieben und mit einer Startzeit versehen werden; die Bibliothek listet sie unter Upcoming mit einer Start-Schaltfläche auf. Das passt zu einem Dienstplan: Eine Person ergänzt den Text am Freitag, eine andere drückt am Sonntag auf Start.
Wenn ein Wort trotzdem falsch erscheint, markiert der Reiter Fix unsichere Wörter, und der Host kann während der laufenden Aufnahme auf eine Zeile klicken, um sie zu korrigieren; die Zuhörer sehen die Korrektur.
Die richtigen Wörter sind die eine Hälfte; die andere ist zu wissen, wer sie gesagt hat.
Der Schalter für Sprecherkennzeichnung hat drei Stellungen. When Needed kennzeichnet jede Zeile mit ihrem Sprecher, sobald mehr als eine Stimme zu hören ist; andernfalls ist das Transkript reiner Text. On kennzeichnet jede Zeile, auch bei nur einem Sprecher. Off liefert reinen Text. Bei einer Predigt bedeutet When Needed, dass eine Stimme als Fließtext erscheint; bei einem Rat mit einem Dutzend Mitgliedern trägt jede Zeile ihren Sprecher.
Die Kennzeichnungen beginnen als Nummern. In einer Aufnahme können Sie einen Sprecher benennen, und der Name gilt für jede seiner Zeilen. Für Menschen, die jede Woche sprechen, können Sie einen Schritt weitergehen und ihre Stimme speichern. Sie können eine Stimme aus jedem Sprecher erstellen, der in einer Aufnahme mindestens dreißig Sekunden spricht, oder aus einer kurzen Aufnahme, die er zur Verfügung stellt. Der Sprecher wird dann in künftigen Aufnahmen erkannt und mit Namen gekennzeichnet, und wenn Zuhörer sich die Übersetzung vorlesen lassen, wird sie in allen Sprachen mit der eigenen Stimme des Sprechers gelesen. Ohne Klonen erhält jeder Sprecher eine eigene Standardstimme passenden Geschlechts, und jeder Sprecher kann stummgeschaltet werden.
Eine geklonte Stimme ist ein biometrisches Datum. VocalStack erstellt eine solche nur mit der ausdrücklichen Einwilligung des Sprechers, verwendet sie ausschließlich, um die Zeilen genau dieses Sprechers laut vorzulesen, und Sie können sie jederzeit löschen. Ratsmitglieder und Geistliche sind in ihrem Raum öffentliche Personen; das ist aber nicht dasselbe wie eine Einwilligung, also fragen Sie nach.
Für einen Rat wird das Transkript hier zum Protokoll. Wenn jede Zeile mit einem Namen gekennzeichnet ist, zeigt das Protokoll endlich, wer zum vierten Mal „Ich glaube, das haben wir schon besprochen“ gesagt hat. Das wirft die Frage auf, für wen das Protokoll eigentlich gedacht ist.
Die ersten Nutznießer sind die Stammgäste, die gehörlos oder schwerhörig sind, nicht die Besucher, die in einer anderen Sprache mitlesen, so willkommen auch diese sind. Eine Induktionsschleife hilft Menschen mit Hörgeräten und nützt niemandem sonst; Untertitel auf einem Telefon helfen allen anderen, und die beiden ergänzen sich, statt miteinander zu konkurrieren. Öffentliche Stellen haben in vielen Ländern Pflichten zu Barrierefreiheit und öffentlichen Sitzungen, und ein Transkript, das die Öffentlichkeit live und danach lesen kann, trägt wesentlich dazu bei. Prüfen Sie, was bei Ihnen vor Ort gilt.
Seien Sie ehrlich, was automatische Untertitel sind. Ein menschlicher Untertitelungsdienst (in manchen Ländern CART genannt) hört zu, versteht und tippt mit. Bei einer hitzigen Ratsdebatte, in der drei Mitglieder gleichzeitig reden, schlägt ein Mensch eine Maschine weiterhin. Überlappende Rede erzeugt Fehler in jedem automatischen System, und ebenso der Vorsitzende, der außerhalb des Mikrofons murmelt. Wo eine gesetzliche Pflicht zu wörtlichen Untertiteln besteht, ergänzen automatische Untertitel, sie ersetzen sie nicht; wo die Alternative nichts ist, sind sie eine große Verbesserung gegenüber nichts.
Das Transkript ist am Tag danach auch mehr wert.
Jede Aufnahme landet in Ihrer Bibliothek, und die Übertragungsseite listet frühere Aufnahmen für jeden auf, der den Link hat. Wer die Sitzung verpasst hat, kann sie genau so abspielen, wie sie eingegangen ist, Zeile für Zeile, mit dem Ton.
Sobald die Wörter endgültig sind, werden Titel und Zusammenfassung in jeder Sprache geschrieben. Eine Suche in Ihrer Sprache findet auch Aufnahmen, die in einer anderen entstanden sind, sodass eine Verwaltungskraft den Monat findet, in dem ein Tagesordnungspunkt besprochen wurde, und eine Studentin die Vorlesung, die ein Thema behandelt hat. Exporte gibt es als SRT-Untertitel, PDF, Excel oder JSON, mit Korrekturen und Übersetzungen; ein PDF des übersetzten Transkripts liegt gut neben dem Protokoll. Soll etwas davon ohne Klick einer Person geschehen, leistet die API alles, was das Dashboard kann, zum selben Preis, in jedem Tarif: siehe {{api}}/docs.
Das alles muss ein Gemeinde- oder Ausschussbudget überstehen.
Live-Transkription kostet $0.60 pro Stunde Audio, sekundengenau abgerechnet mit einer Mindestabrechnung von 5 Minuten pro Transkription, in jedem Tarif. Zuhörer sind kostenlos, egal wie viele es sind, und Übersetzungen in bis zu 10 Sprachen pro Transkription sind enthalten.
Ein neues Konto erhält $5 Guthaben als einmaligen Willkommensbonus und verlangt keine Karte. Dieses Guthaben reicht für mehr als einen Monat Sonntage. Danach laden Sie nach Bedarf auf oder wählen Premium für $50 pro Monat ($40 pro Monat im Jahresabo). Premium enthält jeden Monat $50 Guthaben, das sind 83 Live-Stunden. Außerdem werden alle Aufnahmen für die gesamte Laufzeit des Kontos aufbewahrt statt 30 Tage, und eine Transkription wird nicht abgebrochen, wenn das Guthaben mitten in der Sitzung aufgebraucht ist. Zwei praktische Hinweise für den Kassenwart. Bei Pay as you go kann eine Transkription aus dem Kaltstart bis zu 15 Sekunden zum Start brauchen, also drücken Sie auf Start, bevor das Eröffnungslied beginnt, nicht während es läuft. Und ein YouTube-Live, das bereits beendet ist, ist ein Video und wird daher als Datei transkribiert, zum deutlich niedrigeren Dateitarif.
Für einen Raum mit einer wiederkehrenden Veranstaltung reicht Pay as you go aus. Für eine Institution, die jede Aufnahme noch Jahre später durchsuchbar haben möchte, oder die mehrere Räume gleichzeitig betreibt, ist Premium die richtige Wahl. Die vollständige Tabelle mit Limits und Aufbewahrungsfristen steht auf der Preisseite, und die interaktive Demo zeigt, was ein Zuhörer sieht.
