Ein mehrsprachiger Raum braucht keine Kabine pro Sprache. Er braucht einen sauberen Audiofeed vom Mischpult, einen Link, den das Publikum auf dem eigenen Telefon öffnet, und eine Möglichkeit, einen falsch verstandenen Namen zu korrigieren, während der Vortrag noch läuft.
Ein Vortrag, ein Gottesdienst, eine Vorlesung oder eine Ratssitzung hat eine Person, die spricht, und ein Publikum, das nicht durchgehend in dieser Sprache denkt. Die üblichen Lösungen sind teuer, unvollständig oder privat.
Die teure Lösung ist ein Dolmetscher für jede Sprache. Selbst mit einem Dolmetscher pro Sprache braucht man eine Kabine, eine Reihe von Empfängern und einen Fachmann für jede Sprache im Raum, und die Fachleute sagen nicht dasselbe. Jeder Dolmetscher trifft unter Zeitdruck eigene Entscheidungen: welches Wort er für einen Fachbegriff wählt, was er verdichtet und was er weglässt, wenn der Redner schneller wird. Bei einem gewöhnlichen Vortrag spielen die Unterschiede kaum eine Rolle. Bei einer Gerichtsverhandlung, einer Abstimmung im Gemeinderat oder einem technischen Briefing tun sie es: Ein definierter Begriff, eine Dosierung oder eine Klausel kann die französischsprachigen Zuhörer mit einer Bedeutung erreichen und die arabischsprachigen mit einer anderen, und niemand im Raum ist in der Lage, das zu bemerken. Die teilweise Lösung ist ein Untertitelfeed auf einem einzigen Bildschirm, in nur einer zweiten Sprache. Die private Lösung sind fünfzig Telefone, die man in den Raum hält: fünfzig leicht falsche Transkripte, wobei jedes Telefon das Echo und das Husten so deutlich hört wie die Stimme des Redners.
Die Alternative ist, den Redner einmal von einer sauberen Quelle zu transkribieren und dieses eine Transkript in die Sprachen zu übersetzen, die das Publikum braucht. So beginnt jede Sprache mit denselben Worten, und jeder Zuhörer wählt auf seinem eigenen Gerät. Die Aufnahme wird nach Ende der Veranstaltung aufbewahrt. Hier ist, wie Gastgeber und Zuhörer das jeweils einrichten und was es kostet.
Eine Live-Transkription kann ein Mikrofon auf einem beliebigen Gerät abhören, einen RTMP-Feed von OBS oder einem anderen Encoder, der eine Server-URL und einen Stream-Schlüssel verlangt, einen YouTube-Livestream, einen Internetradiosender oder jede URL, die einen Stream ausliefert. Bei einem Stream holt sich VocalStack das Audio selbst; auf Ihrer Seite läuft nichts.
Die Quelle ist wichtiger als jede Einstellung. Ein Raummikrofon oder ein Telefon auf dem Tisch hört den Redner plus den Raum: Nachhall von Wänden, Stühlen und dem Publikum. Die Spracherkennung verschlechtert sich stark, sobald die Stimme im Verhältnis zu diesem Rauschen leiser wird, weshalb die fünfzig Telefone einander widersprechen. Ein Feed vom Mischpult enthält das Mikrofon des Redners mit wenig Raumanteil, daher folgt das Transkript dem Redner und nicht dem Raum. Gibt es am Veranstaltungsort ein Mischpult, nehmen Sie den Feed von dort.
Die gesprochene Sprache wird automatisch erkannt, und der Redner kann jederzeit wechseln. Die Sprache vorab festzulegen hilft bei verrauschten Aufnahmen und starkem Akzent. Sprecherkennzeichnungen können aus, an oder auf When Needed gestellt werden; die letzte Option schaltet sie ein, sobald eine zweite Stimme zu hören ist. Sobald Audio eingeht, braucht das Publikum einen Ort, an dem es sie findet.
Eine Übertragung ist der Link: eine Adresse und ein QR-Code, den Zuhörer scannen, um die Live-Übersetzung zu öffnen und ihre Sprache zu wählen. Der Link entsteht aus dem Namen, den Sie der Übertragung geben. Benennen Sie sie später um, funktioniert der alte Link weiter, sodass ein auf einem Programm gedruckter QR-Code nicht veraltet.
Eine Übertragung ist standardmäßig öffentlich: Jeder mit dem Link kann sie öffnen. Machen Sie sie privat und vergeben Sie ein Passwort, dann werden Zuhörer danach gefragt, bevor das Transkript erscheint.
Eine Übertragung kann von mehreren Live-Transkriptionen gespeist werden, sodass eine Konferenz mit zwei Bühnen trotzdem einen Link teilt. Der Link bringt die Leute hinein; was sie hält, ist, dass die Namen stimmen.
Spracherkenner werden darauf trainiert, wie Menschen üblicherweise sprechen, also greifen sie bei einem mehrdeutigen Laut zum gebräuchlichen Wort. Ein Produktname, ein Nachname, ein Dorf, ein chemischer Stoff: Jeder hat ein häufigeres Wort, das ähnlich klingt, und genau das kommt heraus, wenn der Erkenner nicht erfährt, dass das seltene Wort kommt. Dafür ist ein Skript da. Fügen Sie vor dem Start ein Skript oder Folien hinzu, dann gewinnen die darin enthaltenen Namen und Begriffe gegenüber dem, was falsch verstanden wurde. Genau bei diesen Namen und Begriffen scheitert die Erkennung bei Fachvorträgen meist. Während der Aufnahme folgt der Tab Script wie ein Teleprompter und hebt die bisher gesprochenen Wörter hervor.
Das ist die ganze Einrichtung. Auf der anderen Seite des Links ist noch weniger zu tun.
Ein Zuhörer braucht einen Link oder einen QR-Code und ein Telefon. Er öffnet den Link im Browser und sieht Die Übertragung hat noch nicht begonnen, bis der Gastgeber auf Aufnahme drückt; danach erscheint Live. Die erste Zeile erscheint gleich. Er wählt aus den Sprachen, die der Gastgeber festgelegt hat (bis zu 10 pro Transkription, aus 100 verfügbaren), und liest das Transkript, während der Redner spricht. Der Gastgeber spricht weiter in seiner eigenen Sprache. Ein Zuhörer kann die Sprache jederzeit wechseln; das bisherige Transkript wird dann in der neuen Sprache angezeigt.
Wer lieber zuhört, bekommt jede übersetzte Zeile vorgelesen. Standardmäßig erhält jeder Redner eine eigene Standardstimme passenden Geschlechts, sodass eine Podiumsdiskussion weiterhin wie eine Podiumsdiskussion klingt.
Die drei Stufen laufen nacheinander ab, und jede wartet auf die vorherige. Die Erkennung braucht ein Stück Sprache, bevor sie sich auf die Wörter festlegen kann, daher hinkt das Transkript dem Redner um einen Bruchteil einer Sekunde hinterher. Die Übersetzung braucht eine ganze Wortgruppe, weil sich die Wortstellung zwischen den Sprachen unterscheidet und das Satzende den Anfang verändern kann; sie folgt daher ein bis zwei Sekunden später. Die Sprachausgabe braucht den übersetzten Satz, bevor sie beginnen kann, daher kommt eine gesprochene Zeile zuletzt. Das ist kein Fehler, den man wegoptimieren könnte. So muss es jedes System machen, das diese drei Dinge tut, auch ein menschlicher Dolmetscher, der ebenfalls auf das Verb wartet.
Mit Zustimmung des Redners kann ein Gastgeber dessen Stimme anhand von dreißig Sekunden klonen, in denen die Person allein spricht (eine MP3-, M4A- oder WAV-Datei; ein paar Minuten sind besser). Die Übersetzung wird dann in jeder Sprache mit der eigenen Stimme des Redners vorgelesen. Behandeln Sie eine Stimme als das biometrische Datum, das sie ist. Nach der DSGVO fallen Stimmdaten, die verarbeitet werden, um eine Person zu erkennen, in der Regel unter die besonderen Kategorien des Artikels 9, und einige US-Bundesstaaten, darunter Illinois, regeln Stimmabdrücke gesondert. Holen Sie die ausdrückliche Einwilligung des Redners ein, bevor die Probe aufgezeichnet wird, nicht danach; die Stimme kann jederzeit gelöscht werden. Das Klonen legt den Redner außerdem als Profil an, sodass er in künftigen Aufnahmen mit Namen gekennzeichnet wird. Ein Gastgeber kann jedem Redner eine Stimme zuweisen oder einen stummschalten.
Ein Zuhörer, der zu spät kommt, sieht alles, was vor seinem Eintreffen gesagt wurde, und folgt dann live. Bricht die Verbindung ab, holt die Seite nach der Wiederherstellung automatisch auf. Pausiert der Gastgeber, sehen die Zuhörer Pausiert. Das Transkript läuft weiter, sobald der Gastgeber fortsetzt. Beendet der Gastgeber die Übertragung, zeigt die Seite Datum und Länge der Aufnahme, und die Übertragung listet ihre früheren Aufnahmen zur erneuten Wiedergabe auf.
Zuhörer können nur lesen, was die Engine gehört hat, und die Live-Erkennung liegt bei manchem daneben.
Dafür gibt es auf dem Gastgeber-Bildschirm den Tab Fix. Mark uncertain words färbt die Wörter ein und unterstreicht diejenigen, bei denen die Engine unsicher war; Click to correct öffnet eine Zeile zur Prüfung. Der Tab geht unsichere Abschnitte nacheinander durch, sodass eine zweite Person am Pult sie abarbeiten kann, während der Redner weiterspricht.
Schreibt ein Gastgeber ein Wort oder eine Zeile neu, auch eine, die gerade noch gesprochen wird, sieht jeder Zuhörer die Korrektur. Eine Zeile mit zu geringer Konfidenz wird den Zuhörern als Audio unclear ausgeblendet, statt falsch angezeigt zu werden; der Gastgeber sieht weiterhin jedes Wort. Eine Lücke ist ein bekannter Mangel; ein sicheres falsches Wort ist ein Gerücht.
Diese Korrekturen verschwinden nicht, wenn der Vortrag endet.
Alles bleibt erhalten. Die Aufnahme, ihr Transkript mit Korrekturen und Übersetzungen sowie das Audio landen in der Bibliothek des Gastgebers. Die Wiedergabe spielt alles genau so ab, wie es eingegangen ist, Zeile für Zeile, mit dem Audio. Sobald die Wörter feststehen, werden in jeder Sprache ein Titel und eine Zusammenfassung geschrieben; die Tabs Summary und Export auf dem Gastgeber-Bildschirm tragen sie direkt aus der Veranstaltung hinaus.
Exporte sind SRT-Untertitel, PDF, Excel oder JSON, mit Korrekturen und Übersetzungen. Das Audio lässt sich als MP3 herunterladen. Jedes Transkript ist in jeder Sprache durchsuchbar.
Die Ansicht Audience zeigt, wer zugehört hat, in welcher Sprache und ab wann: oft die erste echte Zählung, die ein Veranstalter darüber bekommt, wer welche Sprache brauchte. Bis dahin war die übliche Schätzung, wer die Hand hob, als man auf Englisch fragte, ob er eine Übersetzung brauche. Zuhörer-Kennungen werden mit der Aufnahme gelöscht.
Spracherkennung, Sprechererkennung und Sprachsynthese laufen auf Servern, die wir betreiben, und Ihr Audio wird zur Verarbeitung an keinen Dritten weitergegeben. Wir verwenden Ihr Audio, Ihre Transkripte oder Ihre Stimmen nicht zum Trainieren von Modellen.
Die Aufbewahrung richtet sich nach dem Tarif: Bei Pay as you go werden Quell-Audio und Stimmen 7 Tage aufbewahrt, Transkriptionen 30 Tage; Premium und Enterprise bewahren sie für die Laufzeit des Kontos. Das andere, was der Tarif bestimmt, ist die Rechnung.
Zwei Zahlen zählen. Bei Pay as you go und Premium kostet die Live-Transkription $0.60 pro Stunde Audio, abgerechnet pro Sekunde mit einer Mindestdauer von 5 Minuten je Transkription, im Dashboard ebenso wie über die API; Enterprise hat Volumenpreise. Zuhörer und Sprachen sind kostenlos: Eine einstündige Veranstaltung, die von zweihundert Personen in fünf Sprachen gelesen wird, kostet $0.60. Dateien sind günstiger ($0.20 pro Stunde), weil eine Live-Transkription die gesamte Veranstaltung in Echtzeit läuft. Die Tarife unterscheiden sich in Parallelität, maximaler Aufnahmelänge und Startgeschwindigkeit. Bei Pay as you go kann ein Kaltstart bis zu 15 Sekunden dauern. Drücken Sie deshalb etwas früher auf Aufnahme als der Redner, etwa einen Satz wie „Können mich alle hinten hören?“ davor. Die vollständige Tabelle steht auf der Preisseite.
Die Startseite hat eine Demo mit zwei Telefonen, und ein neues Konto im Dashboard erhält bei der Registrierung ein Guthaben von $5 und benötigt keine Karte. Zum Live-Tarif reicht dieses Guthaben für mehr als acht Stunden Übertragung.
Überlegen Sie, ob dies oder die Live-Übersetzung, die in jedes Telefon eingebaut ist, die bessere Wahl ist? Lesen Sie warum ein Telefon für einen Raum nicht ausreicht. Für eine ganze Veranstaltung deckt die Checkliste für mehrsprachige Konferenzen den Audioweg, mehrere Bühnen auf einem Link und das Budget ab. Entwickler können all das per Code über die API-Referenz umsetzen, zum selben Tarif.
