Μια πολύγλωσση αίθουσα δεν χρειάζεται θάλαμο για κάθε γλώσσα. Χρειάζεται μία καθαρή ηχητική ροή από το μιξάζ, έναν σύνδεσμο που το κοινό ανοίγει στα δικά του τηλέφωνα, και έναν τρόπο να διορθώσετε ένα παρανοημένο όνομα ενώ η ομιλία συνεχίζεται.
Μια ομιλία, μια λειτουργία, ένα μάθημα ή μια συνεδρίαση δημοτικού συμβουλίου έχει έναν ομιλητή και ένα κοινό που δεν σκέφτεται όλο στην ίδια γλώσσα. Οι συνήθεις λύσεις είναι ακριβές, μερικές ή ιδιωτικές.
Η ακριβή λύση είναι ένας διερμηνέας για κάθε γλώσσα. Ακόμη κι όταν υπάρχει ένας διερμηνέας ανά γλώσσα, χρειάζονται θάλαμος, σετ δεκτών και ένας ειδικός για κάθε γλώσσα στην αίθουσα, και οι ειδικοί δεν λένε το ίδιο πράγμα. Κάθε διερμηνέας κάνει τις δικές του επιλογές υπό πίεση χρόνου: ποια λέξη θα χρησιμοποιήσει για έναν όρο, τι θα συμπυκνώσει, τι θα αφήσει έξω όταν ο ομιλητής επιταχύνει. Σε μια συνηθισμένη ομιλία οι διαφορές σχεδόν δεν έχουν σημασία. Σε μια νομική ακρόαση, μια συνεδρίαση δημοτικού συμβουλίου ή μια τεχνική ενημέρωση έχουν: ένας ορισμένος όρος, μια δοσολογία ή μια ρήτρα μπορεί να φτάσει στους Γάλλους ακροατές με τη μία έννοια και στους Αραβόφωνους με την άλλη, και κανείς στην αίθουσα δεν είναι σε θέση να το προσέξει. Η μερική λύση είναι μια ροή υποτίτλων σε μία οθόνη, σε μία μόνο δεύτερη γλώσσα. Η ιδιωτική λύση είναι πενήντα τηλέφωνα σηκωμένα προς την αίθουσα: πενήντα ελαφρώς λανθασμένες απομαγνητοφωνήσεις, με κάθε τηλέφωνο να ακούει την ηχώ και τον βήχα εξίσου καθαρά με τον ομιλητή.
Η εναλλακτική είναι να απομαγνητοφωνήσετε τον ομιλητή μία φορά, από μια καθαρή πηγή, και να μεταφράσετε αυτή τη μία απομαγνητοφώνηση σε όση γλώσσα χρειάζεται το κοινό. Έτσι κάθε γλώσσα ξεκινά από τα ίδια λόγια, και κάθε ακροατής επιλέγει στη δική του συσκευή. Η εγγραφή διατηρείται όταν τελειώσει η εκδήλωση. Ακολουθεί πώς ρυθμίζουν τη λειτουργία ο οικοδεσπότης και ο ακροατής, και τι κοστίζει.
Μια ζωντανή απομαγνητοφώνηση μπορεί να ακούσει ένα μικρόφωνο σε οποιαδήποτε συσκευή, μια ροή RTMP από το OBS ή από οποιονδήποτε άλλο encoder που δέχεται διεύθυνση διακομιστή και κλειδί ροής, ένα ζωντανό βίντεο στο YouTube, έναν ραδιοφωνικό σταθμό στο internet ή οποιοδήποτε URL που σερβίρει ροή. Για μια ροή, το VocalStack τραβά τον ήχο μόνο του· δεν τρέχει τίποτα από την πλευρά σας.
Η πηγή έχει μεγαλύτερη σημασία από οποιαδήποτε ρύθμιση. Ένα μικρόφωνο αίθουσας, ή ένα τηλέφωνο πάνω σε τραπέζι, ακούει τον ομιλητή μαζί με την αίθουσα: αντήχηση από τους τοίχους, τις καρέκλες, το κοινό. Η αναγνώριση ομιλίας χειροτερεύει έντονα όταν η φωνή γίνεται πιο αδύναμη σε σχέση με αυτόν τον θόρυβο, γι' αυτό τα πενήντα τηλέφωνα διαφωνούν μεταξύ τους. Μια ροή από το πάνελ ήχου φέρνει το μικρόφωνο του ίδιου του ομιλητή με λίγο από την αίθουσα, οπότε η απομαγνητοφώνηση ακολουθεί τον ομιλητή και όχι την αίθουσα. Αν ο χώρος έχει πάνελ ήχου, πάρτε τη ροή από εκεί.
Η ομιλούμενη γλώσσα εντοπίζεται αυτόματα, και ο ομιλητής μπορεί να αλλάξει γλώσσα ανά πάσα στιγμή. Η δήλωσή της εκ των προτέρων βοηθά σε θορυβώδεις ηχογραφήσεις και έντονες προφορές. Οι ετικέτες ομιλητών μπορούν να είναι ανενεργές, ενεργές ή When Needed, που τις ενεργοποιεί μόλις ακουστεί δεύτερος ομιλητής. Μόλις έρθει ήχος, το κοινό χρειάζεται τρόπο να τον βρει.
Μια μετάδοση είναι ο σύνδεσμος: μία διεύθυνση και ένας κωδικός QR που σκανάρουν οι ακροατές για να ανοίξουν τη ζωντανή μετάφραση και να επιλέξουν τη γλώσσα τους. Ο σύνδεσμος φτιάχνεται από το όνομα που δίνετε στη μετάδοση. Αν τη μετονομάσετε αργότερα, ο παλιός σύνδεσμος συνεχίζει να λειτουργεί, ώστε ένας κωδικός QR τυπωμένος σε πρόγραμμα να μη γίνει ξεπερασμένος.
Μια μετάδοση είναι δημόσια από προεπιλογή: όποιος έχει τον σύνδεσμο μπορεί να την ανοίξει. Αν την κάνετε ιδιωτική και ορίσετε κωδικό, οι ακροατές ζητούνται τον κωδικό πριν εμφανιστεί η απομαγνητοφώνηση.
Μία μετάδοση μπορεί να τροφοδοτείται από πολλές ζωντανές απομαγνητοφωνήσεις, οπότε ένα συνέδριο με δύο σκηνές μοιράζεται έναν σύνδεσμο. Ο σύνδεσμος φέρνει τον κόσμο μέσα· αυτό που τον κρατά εκεί είναι να είναι σωστά τα ονόματα.
Οι αναγνωριστές ομιλίας εκπαιδεύονται πάνω στο πώς μιλά συνήθως ο κόσμος, οπότε όταν ένας ήχος είναι αμφίσημος επιλέγουν τη συνηθισμένη λέξη. Ένα όνομα προϊόντος, ένα επώνυμο, ένα χωριό, μια χημική ένωση: το καθένα έχει μια πιο συχνή λέξη που ακούγεται παρόμοια, και αυτή βγαίνει αν ο αναγνωριστής δεν έχει ενημερωθεί ότι έρχεται η σπάνια λέξη. Γι' αυτό υπάρχει το σενάριο. Προσθέστε σενάριο ή διαφάνειες πριν ξεκινήσετε, και τα ονόματα και οι όροι που περιέχουν υπερισχύουν έναντι όσων παρανοήθηκαν. Εκεί συνήθως αποτυγχάνει η αναγνώριση σε εξειδικευμένες ομιλίες. Κατά την εγγραφή, η καρτέλα Script ακολουθεί σαν τηλεπρομπτερ και φωτίζει τις λέξεις που έχουν ειπωθεί μέχρι εκείνη τη στιγμή.
Αυτή είναι η πλήρης ρύθμιση. Από την άλλη πλευρά του συνδέσμου χρειάζεται ακόμη λιγότερη δουλειά.
Ο ακροατής χρειάζεται έναν σύνδεσμο ή έναν κωδικό QR, και ένα τηλέφωνο. Ανοίγει τον σύνδεσμο σε πρόγραμμα περιήγησης και βλέπει The broadcast hasn't started yet μέχρι ο οικοδεσπότης να πατήσει εγγραφή, και μετά Live. The first line appears in a moment. Επιλέγει από τις γλώσσες που διάλεξε ο οικοδεσπότης (έως 10 ανά απομαγνητοφώνηση, από τις 100 διαθέσιμες) και διαβάζει την απομαγνητοφώνηση καθώς μιλά ο ομιλητής. Ο οικοδεσπότης μιλά πάντα στη δική του γλώσσα. Ο ακροατής μπορεί να αλλάξει γλώσσα ανά πάσα στιγμή· η απομαγνητοφώνηση μέχρι εκείνη τη στιγμή εμφανίζεται ξανά στη νέα γλώσσα.
Αν ο ακροατής προτιμά να ακούει, κάθε μεταφρασμένη γραμμή διαβάζεται φωναχτά. Εξ ορισμού κάθε ομιλητής παίρνει μια διακριτή έτοιμη φωνή του ίδιου φύλου, ώστε ένα πάνελ να ακούγεται ακόμη σαν πάνελ.
Τα τρία στάδια γίνονται με σειρά, και το καθένα περιμένει το προηγούμενο. Η αναγνώριση χρειάζεται ένα κομμάτι ομιλίας πριν δεσμευτεί στις λέξεις, οπότε η απομαγνητοφώνηση καθυστερεί λίγα κλάσματα του δευτερολέπτου πίσω από τον ομιλητή. Η μετάφραση χρειάζεται μια ολόκληρη φράση, επειδή η σειρά των λέξεων διαφέρει μεταξύ των γλωσσών και το τέλος της πρότασης μπορεί να αλλάξει την αρχή της, οπότε ακολουθεί ένα ή δύο δευτερόλεπτα αργότερα. Η ομιλία χρειάζεται τη μεταφρασμένη πρόταση πριν ξεκινήσει, οπότε η προφορική γραμμή έρχεται τελευταία. Τίποτα από αυτά δεν είναι σφάλμα για να διορθωθεί· είναι ό,τι πρέπει να κάνει κάθε σύστημα που κάνει αυτά τα τρία, συμπεριλαμβανομένου ενός ανθρώπινου διερμηνέα, που κι αυτός περιμένει το ρήμα.
Με την άδεια του ομιλητή, ο οικοδεσπότης μπορεί να κλωνοποιήσει τη φωνή του από τριάντα δευτερόλεπτα ομιλίας του μόνο του (ένα MP3, M4A ή WAV· είναι καλύτερα μερικά λεπτά). Η μετάφραση διαβάζεται τότε με τη φωνή του ίδιου του ομιλητή σε κάθε γλώσσα. Αντιμετωπίστε τη φωνή ως το βιομετρικό δεδομένο που είναι. Βάσει του GDPR, τα φωνητικά δεδομένα που επεξεργάζονται για την αναγνώριση ενός προσώπου εντάσσονται γενικά στις ειδικές κατηγορίες του άρθρου 9, και ορισμένες πολιτείες των ΗΠΑ, μεταξύ αυτών το Illinois, ρυθμίζουν χωριστά τα φωνητικά αποτυπώματα. Λάβετε τη ρητή συγκατάθεση του ομιλητή πριν καταγραφεί το δείγμα, όχι μετά· η φωνή μπορεί να διαγραφεί ανά πάσα στιγμή. Η κλωνοποίηση εγγράφει επίσης τον ομιλητή, οπότε θα επισημαίνεται με το όνομά του στις μελλοντικές εγγραφές. Ο οικοδεσπότης μπορεί να αντιστοιχίσει μια φωνή σε κάθε ομιλητή, ή να σιγήσει έναν.
Ένας ακροατής που έρχεται αργά βλέπει όλα όσα ειπώθηκαν πριν μπει, και ύστερα ακολουθεί ζωντανά. Αν η σύνδεση πέσει, η σελίδα καλύπτει μόνη της το χαμένο κομμάτι όταν επανέλθει η σύνδεση. Όταν ο οικοδεσπότης κάνει παύση, οι ακροατές βλέπουν Paused. The transcript continues when the host resumes. Όταν ο οικοδεσπότης σταματά, η σελίδα δείχνει την ημερομηνία και τη διάρκεια της εγγραφής, και η μετάδοση εμφανίζει τις παλιότερες εγγραφές της για επανάληψη.
Ένας ακροατής μπορεί να διαβάσει μόνο όσα άκουσε η μηχανή, και η ζωντανή αναγνώριση χάνει μερικά από αυτά.
Η οθόνη του οικοδεσπότη έχει μια καρτέλα Fix ακριβώς γι' αυτό. Το Mark uncertain words χρωματίζει και υπογραμμίζει τις λέξεις για τις οποίες η μηχανή ήταν αβέβαιη· το Click to correct ανοίγει μια γραμμή για έλεγχο. Η καρτέλα περνά τα αβέβαια τμήματα ένα ένα, ώστε ένα δεύτερο άτομο στο γραφείο να τα διορθώνει ενώ ο ομιλητής συνεχίζει.
Όταν ο οικοδεσπότης ξαναγράφει μια λέξη ή μια γραμμή, ακόμη κι αν εκείνη ακόμη λέγεται, κάθε ακροατής βλέπει τη διόρθωση. Μια γραμμή με πολύ χαμηλή βεβαιότητα κρύβεται από τους ακροατές ως Audio unclear αντί να εμφανίζεται λάθος· ο οικοδεσπότης εξακολουθεί να βλέπει κάθε λέξη. Ένα κενό είναι γνωστό κενό· μια σίγουρα λανθασμένη λέξη είναι φήμη.
Αυτές οι διορθώσεις δεν εξαφανίζονται όταν τελειώσει η ομιλία.
Τα πάντα διατηρούνται. Η εγγραφή, η απομαγνητοφώνησή της με τις διορθώσεις και τις μεταφράσεις, και ο ήχος μεταφέρονται στη βιβλιοθήκη του οικοδεσπότη. Η επανάληψη αναπαράγει την εγγραφή ακριβώς όπως έφτασε, γραμμή προς γραμμή, με τον ήχο της. Μόλις οι λέξεις οριστικοποιηθούν, γράφονται τίτλος και σύνοψη σε κάθε γλώσσα, και οι καρτέλες Summary και Export της οθόνης του οικοδεσπότη τα μεταφέρουν κατευθείαν έξω από την εκδήλωση.
Οι εξαγωγές είναι υπότιτλοι SRT, PDF, Excel ή JSON, με τις διορθώσεις και τις μεταφράσεις, και ο ήχος κατεβαίνει ως MP3. Κάθε απομαγνητοφώνηση είναι αναζητήσιμη σε οποιαδήποτε γλώσσα.
Η προβολή Audience δείχνει ποιος άκουσε, σε ποια γλώσσα και πότε μπήκε· συχνά είναι η πρώτη πραγματική καταμέτρηση που παίρνει ο διοργανωτής για το ποιος χρειαζόταν ποια γλώσσα. Μέχρι τότε, η συνηθισμένη εκτίμηση ήταν όποιος σήκωνε χέρι όταν ρωτιόταν, στα αγγλικά, αν χρειαζόταν μετάφραση. Τα αναγνωριστικά των ακροατών διαγράφονται μαζί με την εγγραφή.
Η αναγνώριση ομιλίας, η αναγνώριση ομιλητών και η σύνθεση φωνής τρέχουν σε διακομιστές που λειτουργούμε εμείς, και ο ήχος σας δεν στέλνεται σε τρίτους για επεξεργασία. Δεν χρησιμοποιούμε τον ήχο, τις απομαγνητοφωνήσεις ή τις φωνές σας για την εκπαίδευση μοντέλων.
Η διατήρηση ακολουθεί το πρόγραμμα: στο Pay as you go, ο αρχικός ήχος και οι φωνές διατηρούνται για 7 ημέρες και οι απομαγνητοφωνήσεις για 30 ημέρες· τα Premium και Enterprise τα διατηρούν για όσο υπάρχει ο λογαριασμός. Το άλλο στοιχείο που καθορίζει το πρόγραμμα είναι ο λογαριασμός.
Δύο αριθμοί μετρούν. Στα Pay as you go και Premium, η ζωντανή απομαγνητοφώνηση κοστίζει $0.60 ανά ώρα ήχου, με χρέωση ανά δευτερόλεπτο και ελάχιστη διάρκεια 5 λεπτών ανά απομαγνητοφώνηση, τόσο στο Dashboard όσο και μέσω του API. Το Enterprise έχει τιμές ανά όγκο. Οι ακροατές και οι γλώσσες είναι δωρεάν: μια μία ώρα εκδήλωσης διαβασμένη σε πέντε γλώσσες από διακόσια άτομα κοστίζει $0.60. Τα αρχεία είναι φθηνότερα ($0.20 ανά ώρα), επειδή μια ζωντανή απομαγνητοφώνηση τρέχει σε πραγματικό χρόνο για ολόκληρη την εκδήλωση. Τα προγράμματα διαφέρουν στην ταυτόχρονη λειτουργία, στη μέγιστη διάρκεια εγγραφής και στην ταχύτητα εκκίνησης. Στο Pay as you go, η ψυχρή εκκίνηση μπορεί να φτάσει τα 15 δευτερόλεπτα, οπότε πατήστε εγγραφή λίγο πριν το κάνει ο ομιλητής, περίπου μία φράση νωρίτερα από το «Μπορεί να με ακούσει όλος ο κόσμος στο βάθος;». Ο πλήρης πίνακας βρίσκεται στη σελίδα τιμών.
Η αρχική σελίδα έχει μια επίδειξη με δύο τηλέφωνα, και ένας νέος λογαριασμός στο Dashboard έρχεται με πίστωση εγγραφής $5 και χωρίς κάρτα. Με τη ζωντανή τιμή, η πίστωση καλύπτει περισσότερες από οκτώ ώρες μετάδοσης.
Διστάζετε ανάμεσα σε αυτό και τη ζωντανή μετάφραση που υπάρχει σε κάθε τηλέφωνο; Διαβάστε γιατί το τηλέφωνο δεν αρκεί για μια αίθουσα. Για μια πλήρη εκδήλωση, η λίστα ελέγχου για πολυγλωσσικά συνέδρια καλύπτει τη διαδρομή του ήχου, πολλαπλές σκηνές σε έναν σύνδεσμο και τον προϋπολογισμό. Οι προγραμματιστές μπορούν να κάνουν όλα αυτά από κώδικα μέσω της αναφοράς API, με την ίδια τιμή.
