Untertitel entstehen am Mischpult und in den Folien der Redner. Nehmen Sie pro Bühne eine saubere Tonspur der Sprechermikrofone ab und hinterlegen Sie jeden Namen und jede Abkürzung, bevor jemand die Bühne betritt. Der Rest des Tages besteht darin, zu korrigieren, was diese beiden Schritte übersehen haben.
Der Großteil der Arbeit bei der Untertitelung einer Konferenz fällt an, bevor jemand die Bühne betritt, und der Großteil davon ist keine Software.
Ein Telefon auf dem Rednerpult hört den Raum; das Mischpult hört den Sprecher. Nehmen Sie die Tonspur vom Pult ab, und seien Sie genau, welche Spur gemeint ist. Bitten Sie den Tontechniker um einen eigenen Aux- oder Matrix-Send, der ausschließlich die Sprechermikrofone führt: Rednerpult, Ansteckmikrofone, Panel-Mikrofone. Einlaufmusik, Videowiedergabe und der Applaus-Stem bleiben außen vor. Spracherkennung, die durch ein Jingle hindurch hört, rät bei den Liedtexten selbstbewusst drauflos.
Testen Sie diesen Send bei der Technikprobe, möglichst mit den echten Mikrofonen und den echten Lautsprechern. Sonst erfahren Sie um 8:55 Uhr am Morgen der Veranstaltung, dass der Matrix-Ausgang nach dem Fader liegt und der Tontechniker das Rednerpult zwischen den Vorträgen stummschaltet.
Geben Sie VocalStack diese Tonspur auf einem von zwei Wegen. Der erste ist ein RTMP-Encoder am Pult. Wenn Sie einen RTMP-Stream als Quelle einer Live-Transkription hinzufügen, zeigt das Dashboard die Server-URL und den Stream-Schlüssel, die der Encoder benötigt, meldet, ob bereits Audio ankommt und in welchem Format, und lässt Sie es anhören. Der zweite ist eine Stream-Adresse. Wenn die Bühne bereits als YouTube-Live oder als Audio-Stream läuft, fügen Sie diesen Link ein, und VocalStack holt sich das Audio selbst; auf Ihrer Seite läuft nichts. Fügen Sie die eigentliche Stream-Adresse ein, nicht die Seite, auf der sie abgespielt wird. Wenn Sie versehentlich eine Webseite einfügen, weist Sie das Dashboard darauf hin.
So oder so: Verwenden Sie pro Bühne eine Mikrofonspur. Publikumsmikrofone und Übersprechen kosten Genauigkeit, die keine Einstellung wieder hereinholt. Das beste Mikrofon im Saal gehört dem Panelisten, der sich ständig vom Mikrofon wegbeugt.
Sobald das Audio ankommt, brauchen die Teilnehmenden einen Ort, an dem sie die Untertitel lesen können.
Eine Übertragung ist der Link, den die Teilnehmenden öffnen. Legen Sie sie unter Broadcasts an, geben Sie ihr einen Namen und wählen Sie ihren Link. Das Dashboard schlägt einen Link auf Basis des Namens vor; Sie können ihn bearbeiten, solange er mindestens sechs Zeichen lang bleibt. Derselbe Bildschirm zeigt den QR-Code, mit dem die Teilnehmenden die Live-Übersetzung öffnen und ihre Sprache wählen.
Legen Sie jetzt fest, ob die Übertragung öffentlich oder privat ist. Öffentlich heißt, dass jeder mit dem Link sie öffnen kann. Privat heißt, dass die Teilnehmenden ein kurzes Passwort eingeben, bevor das Transkript erscheint. Muss sich der Link später ändern, ändern Sie ihn; der alte funktioniert weiterhin.
Überlegen Sie dann, wie der Link tausend Hosentaschen erreicht. Platzieren Sie den QR-Code vor jeder Sitzung auf der Wartefolie, an der Beschilderung an den Türen und auf der Namenskarte, falls es eine gibt. Hunderte Telefone, die gleichzeitig beitreten, belasten das WLAN des Veranstaltungsorts erheblich. Fragen Sie den Veranstaltungsort deshalb, auf welche Anzahl an Access Points das Netz ausgelegt wurde und ob das Gäste-WLAN pro Gerät drosselt. Wenn die Antwort ein Achselzucken ist, bitten Sie die Teilnehmenden, mobile Daten zu verwenden. Die Seiten sind klein; das Risiko ist das WLAN.
Eine Konferenz mit zwei Bühnen braucht nicht zwei Links. Eine Übertragung kann von mehreren Live-Transkriptionen gleichzeitig gespeist werden. Bühne A und Bühne B werden zu zwei Transkriptionen, die an dieselbe Übertragung angehängt sind, und das Telefon der Teilnehmenden zeigt beide auf einer Seite. Jede Bühne ist eine eigene Live-Transkription, und jeder Tarif begrenzt, wie viele davon gleichzeitig laufen können (1 bei Pay as you go, 5 bei Premium, unbegrenzt bei Enterprise). Diese Grenze kommt im Abschnitt zum Budget weiter unten zurück.
Ein Link ist nur so gut wie die Worte dahinter.
Bei jedem System stolpert die Live-Erkennung über Namen, Produktbegriffe und Akronyme. Laden Sie vor dem Start das Manuskript oder die Folien jedes Sprechers hoch, dann haben die Namen und Begriffe darin Vorrang vor dem, was die Engine zu hören glaubt. Während des Vortrags folgt der Script-Tab den Worten wie ein Teleprompter.
Dies ist auch der Moment, ehrlich zu sein, was maschinelle Untertitelung ist. Spracherkennung plus maschinelle Übersetzung ist nicht CART (Communication Access Realtime Translation, also live von einem ausgebildeten menschlichen Schreibdienst getippte Untertitel), und sie ist keine Dolmetschung. Sie ist schnell, günstig und unermüdlich, und sie wird gelegentlich eine Verneinung umkehren, eine Zahl runden oder einen Witz in eine Tatsachenbehauptung verwandeln. Bei einer Keynote, einer Produktsitzung oder einem Panel ist dieser Kompromiss meist richtig. Bei einer Sitzung, in der ein falsches Wort Folgen hat (rechtlich, medizinisch, bei einer Abstimmung), buchen Sie einen menschlichen Schreibdienst oder Dolmetscher und lassen die Maschine nebenher als schriftliche Aufzeichnung mitlaufen. Auch die Barrierefreiheits-Grundlage lohnt sich zu kennen: WCAG 2.x verlangt Untertitel für Live-Audio auf Stufe AA (Erfolgskriterium 1.2.4), und eine wachsende Zahl von Verträgen im öffentlichen Sektor und bei Veranstaltungsorten verweist schlicht darauf.
Sobald die Worte feststehen, betrifft die letzte Vorbereitung die Frage, wer sie spricht.
Sprecherkennzeichnungen zeigen dem Publikum, wer gerade spricht. Stellen Sie den Schalter auf When Needed, dann erscheinen die Kennzeichnungen erst, sobald ein zweiter Sprecher zu hören war. Eine Keynote liest sich so als reiner Text, ein Panel als Gespräch.
Damit Sprecher ab der ersten Zeile namentlich erkannt werden, hinterlegen Sie ihre Stimmen vorab unter Voices. Ein Clip mit einer einzelnen sprechenden Person genügt: MP3, M4A oder WAV, mindestens dreißig Sekunden lang, besser sind ein paar Minuten. Die Person muss zugestimmt haben, und das Dashboard fragt Sie, ob Sie die Erlaubnis bestätigen, bevor es die Stimme anlegt. Behandeln Sie das als mehr als ein Kästchen zum Anklicken. Nach der DSGVO gilt ein Stimmabdruck, der zur Identifizierung einer Person verwendet wird, in der Regel als biometrisches Datum (Artikel 9). Das bedeutet ausdrückliche Einwilligung und ein Recht auf Löschung des Stimmabdrucks. Vergleichbare Regeln gibt es auch anderswo, und Sprechervereinbarungen sind der einfachste Ort, dies abzudecken. Eine geklonte Stimme lässt sich jederzeit löschen. Solange sie existiert, ermöglicht sie den Zuhörern außerdem, die Übersetzungen dieses Sprechers in einer passenden Stimme zu hören.
Mit dem geklärten Tarif bleibt nur noch der Tag selbst.
Jede Live-Transkription hat einen Speed-Tab mit einem Latenzmodus und einem Diagramm der Verzögerung über die Zeit. Es gibt drei Einstellungen:
Bei einer skriptgebundenen Keynote mit sauberer Pulttonspur ist Auto richtig; bei einem technischen Panel mit vier Akzenten und ohne Manuskript lohnt sich Accuracy trotz der zusätzlichen Verzögerung.
Der Anlauf ist der andere Zeitpunkt, den Sie einplanen sollten. Bei Pay as you go kann ein Kaltstart bis zu 15 Sekunden dauern, bevor die Transkription beginnt. Premium startet in der Regel warm, Enterprise immer. Drücken Sie Start während des Einlaufs, nicht beim ersten Wort.
Unabhängig vom Modus werden einige Wörter falsch sein, also sollte jemand zusehen.
Jemand am Pult sollte den Fix-Tab geöffnet halten. Er hat zwei Schalter: Mark uncertain words färbt die Wörter, bei denen die Engine unsicher war, und unterstreicht sie, und Click to correct öffnet beim Anklicken eine Zeile zur Prüfung. Der Tab führt Sie Segment für Segment durch die unsicheren Stellen, und eine Korrektur erreicht jeden Zuhörer in jeder Sprache.
Das Publikumsmikrofon ist das schwächste Glied in jedem Raum, und bei der Fragerunde zeigt sich das. Bitten Sie den Moderator, jede Publikumsfrage in sein eigenes Mikrofon zu wiederholen, bevor er antwortet. Die Untertitel werden es ihm danken, und ebenso die letzte Reihe, die die Frage auch nicht gehört hat.
Zwischen den Sitzungen hat das Pult eine andere Aufgabe.
Der Host-Bildschirm kann eine Aufnahme pausieren und fortsetzen, und die Seite der Zuhörer zeigt dabei einen Hinweis: "Paused. The transcript continues when the host resumes." Die Pause ist für einen Wechsel gedacht, nicht für eine Mittagspause. Jede Aufnahme hat eine maximale Pausendauer, die im Dashboard auf 30 Sekunden, 1 Minute oder 3 Minuten eingestellt wird; eine Aufnahme, die länger pausiert bleibt, endet von selbst.
Bei einer längeren Lücke beenden Sie die Aufnahme und starten eine neue, wenn die nächste Sitzung beginnt. Jede Aufnahme bleibt auf der Seite der Übertragung aufgelistet, sodass die Teilnehmenden am Nachmittag zu den Sitzungen des Vormittags zurückblättern können. Eine einzelne Live-Aufnahme hat bei Pay as you go eine Obergrenze von einigen Stunden und bei Premium eine längere (die genauen Angaben stehen auf der Preisseite), daher besteht ein langer Tag ohnehin aus mehreren Aufnahmen.
Gegen Mitte des Vormittags prüfen Sie, wer tatsächlich mitliest.
Die Publikumsansicht des Broadcast-Tabs zeigt, wer dabei ist, wie viele gerade zuhören, welche Sprachen geöffnet sind und wie viele Zuhörer es im Zeitverlauf gab. Jede Transkription umfasst bis zu 10 Sprachen, und jeder Zuhörer wählt eine davon auf seinem eigenen Gerät. Die Ansicht zeigt Ihnen daher, welche Sprachen der Saal tatsächlich liest, was selten die Liste ist, die die Veranstalter vermutet haben. Delegierte, die aus Madrid angemeldet sind, lesen erstaunlicherweise Englisch; die Zeile für Portugiesisch füllt sich aus einer Tabelle, mit der niemand gerechnet hat. Nehmen Sie diese Liste für das nächste Jahr mit.
Jeder dieser Zuhörer ist kostenlos. Kostenpflichtig ist das Audio.
Live-Transkription kostet $0.60 pro Stunde Audio, abgerechnet pro Sekunde mit einer Mindestdauer von 5 Minuten pro Transkription, in jedem Tarif und über die API. Zwei Bühnen mit je acht Stunden Laufzeit ergeben 16 Stunden Live-Audio, also $9.60. Übersetzungen, Übertragungen, Zusammenfassungen und Exporte sind enthalten, egal wie viele Personen zuhören.
Der Tarif ist eher eine Frage der Kapazität als des Preises. Pay as you go gibt $5 Guthaben als einmaliges Startguthaben ohne Kreditkarte, eine Transkription zur gleichen Zeit und eine maximale Aufnahmedauer von 5 Stunden. Eine Live-Transkription stoppt sofort, wenn das Guthaben auf null sinkt; laden Sie also auf, bevor die Türen öffnen. Premium kostet $50 im Monat ($40 im Monat bei jährlicher Abrechnung) und enthält jeden Monat $50 Guthaben, was 83 Live-Stunden abdeckt. Es erlaubt fünf gleichzeitige Transkriptionen und 10-Stunden-Aufnahmen und fügt eine Nachfrist hinzu: Eine Live-Transkription läuft nach dem Nullstand noch eine Weile weiter, und die zusätzlichen Minuten werden zum gleichen Satz abgerechnet. Zwei parallele Bühnen brauchen Premium. Enterprise hat individuelle Preise, unbegrenzte Parallelität, 24-Stunden-Aufnahmen und einen eigenen Engine-Pool.
Die vollständige Tabelle finden Sie auf der Preisseite. Ihren Kontostand prüfen Sie in der Woche vor der Veranstaltung unter Billing im Dashboard.
Die Abrechnung endet, wenn das Audio endet; das Transkript nicht.
Transkripte werden bei Pay as you go 30 Tage lang gespeichert, bei Premium und Enterprise ohne Begrenzung. Bei Pay as you go wird das Quellaudio nur 7 Tage aufbewahrt. Exportieren Sie innerhalb dieser Woche, wenn Sie im kostenlosen Tarif sind.
Wie der Link aus der Sicht der Teilnehmenden aussieht, lesen Sie unter Ein Link, jede Sprache, oder probieren Sie die Live-Demo auf der Startseite aus.
