Η ακρίβεια της ζωντανής μετάφρασης καθορίζεται κυρίως πριν τρέξει οποιοδήποτε μοντέλο, από το πού βρίσκεται το μικρόφωνο. Πάρτε τον ήχο από την κονσόλα ήχου, όχι από μια θέση στη δωδέκατη σειρά, απομαγνητοφωνήστε τον μία φορά, και ένα λάθος γίνεται μία γραμμή που μπορεί να διορθωθεί για όλους.
Οι εφαρμογές μετάφρασης που είναι ενσωματωμένες στα τηλέφωνα είναι πραγματικό επίτευγμα. Συχνά εκτελούν ένα μοντέλο αναγνώρισης ομιλίας αρκετά μικρό ώστε να χωράει στη συσκευή και στην μπαταρία της (κάποιες στέλνουν τον ήχο σε διακομιστή όταν υπάρχει σύνδεση), και για σύντομες, καθαρές, καθημερινές προτάσεις κάνουν τη δουλειά τους: ρωτάτε για οδηγίες, διαβάζετε ένα μενού, μια συζήτηση στον πάγκο.
Ένα δωμάτιο γεμάτο κόσμο που ακούει έναν ομιλητή είναι διαφορετικό πρόβλημα. Αυτά που πάνε στραβά στον πραγματικό λόγο είναι ακριβώς αυτά που ένα μικρό μοντέλο κάνει χειρότερα: σπάνιες λέξεις και ονόματα, λέξεις που ακούγονται παρόμοια («their» και «there», «sail» και «sale»), τεχνικοί όροι, προφορές, άνθρωποι που μιλούν ο ένας πάνω στον άλλον και θόρυβος φόντου. Σε έναν ναυτικό όμιλο, ένα μοντέλο που ακούει «sale» έχει κάνει μια λογική εικασία και ένα σίγουρο λάθος.
Δύο πράγματα κάνουν το μικρό μοντέλο να μαντεύει περισσότερο από ένα μεγάλο. Έχει συμπιεστεί για να χωρέσει στο τηλέφωνο, άρα ξέρει λιγότερες λέξεις και λιγότερους τρόπους να τις πει· ένα επώνυμο που δεν έχει ξανασυναντήσει το προσεγγίζει μόνο από τους ήχους. Και η ζωντανή αναγνώριση πρέπει να δεσμευτεί σε μια λέξη πριν φτάσει το υπόλοιπο της πρότασης, οπότε το μοντέλο δεν μπορεί να χρησιμοποιήσει αυτό που θα είχε λύσει το «sail» έναντι του «sale»: τις λέξεις που έρχονται μετά, ή ένα σενάριο που λέει για τι μιλάει η ομιλία. Στην αναγνώριση ομιλίας, το πλαίσιο σημαίνει ακριβώς αυτά τα δύο: τις γειτονικές λέξεις και ό,τι είναι γνωστό εκ των προτέρων.
Όταν το μοντέλο δεν είναι σίγουρο, μαντεύει. Η μετάφραση χτίζεται τότε πάνω στην εικασία, και ο αναγνώστης δεν έχει τρόπο να το ξέρει. Κανείς στο δωμάτιο δεν βλέπει ότι μια γραμμή ήταν λάθος, πόσο μάλλον να τη διορθώσει. Και ένα δωμάτιο δεν είναι ένας ακροατής, είναι πενήντα.
Το τηλέφωνο ακούει το δωμάτιο, όχι τον ομιλητή. Αιτία είναι η απόσταση: ένα μικρόφωνο γιακά ή επιτραπέζιο βρίσκεται λίγα εκατοστά από το στόμα, ενώ ένα τηλέφωνο στη δωδέκατη σειρά απέχει δέκα μέτρα ή και περισσότερο, και το μεγαλύτερο μέρος του ήχου που το φτάνει έχει αναπηδήσει πρώτα στους τοίχους, στην οροφή και στις πλάτες των καρεκλών. Ο ανακλώμενος ήχος φτάνει καθυστερημένος και θολωμένος. Επιπλέον, το τηλέφωνο πιάνει τον άνθρωπο που βήχει δύο σειρές πιο πίσω, τον ψίθυρο του γείτονα, και ό,τι κάνουν τα ηχεία στη φωνή καθώς διασχίζει την αίθουσα. Κάθε θέση παίρνει μια ελαφρώς διαφορετική ηχογράφηση, άρα κάθε θέση παίρνει ελαφρώς διαφορετική απομαγνητοφώνηση.
Το τηλέφωνο μεταφράζει, επιπλέον, για έναν μόνο άνθρωπο. Πενήντα συμμετέχοντες που σηκώνουν πενήντα τηλέφωνα παράγουν πενήντα ανεξάρτητες απομαγνητοφωνήσεις της ίδιας ομιλίας, με πενήντα διαφορετικά σύνολα λαθών. Δύο άνθρωποι που συγκρίνουν σημειώσεις αργότερα δεν θα συμφωνήσουν για το τι ειπώθηκε. Ο ομιλητής, εν τω μεταξύ, απευθύνεται σε έναν τοίχο από υψωμένα τηλέφωνα, κοινό δύσκολο να διαβαστεί.
Για ορισμένους στην αίθουσα αυτό είναι κάτι περισσότερο από ενόχληση· καθορίζει αν μπορούν να παρακολουθήσουν την ομιλία καθόλου. Ένας συμμετέχων με προβλήματα ακοής, ή κάποιος που παρακολουθεί σε μια τρίτη γλώσσα, χρειάζεται ένα κοινό, σωστό κείμενο, όχι πενήντα προσπάθειες με την καλύτερη δυνατή εκδοχή. Αυτό σημαίνει να απομαγνητοφωνηθεί ο ομιλητής μία φορά και να πάρει ο καθένας το ίδιο αποτέλεσμα. Η μία απομαγνητοφώνηση αποδίδει μόνο αν γίνει καλά, και αυτό ξεκινά από το πού προέρχεται ο ήχος.
Η απομαγνητοφώνηση είναι τόσο καλή όσο ο ήχος από τον οποίο γίνεται. Άρα η πρώτη απόφαση δεν είναι ποιο μοντέλο θα χρησιμοποιήσετε, αλλά ποιο σήμα θα τροφοδοτήσετε σε αυτό. Η δεύτερη είναι τι θα του πείτε πριν ξεκινήσει.
Η ζωντανή απομαγνητοφώνηση παίρνει τον ήχο της από όπου υπάρχει ήδη το καθαρό σήμα:
Το VocalStack τραβάει μόνο του μια ροή από URL, οπότε στην πλευρά σας δεν τρέχει τίποτα. Μια ροή RTMP λειτουργεί αντίστροφα: ο κωδικοποιητής σας τη στέλνει. Η γλώσσα του ομιλητή ανιχνεύεται αυτόματα, και μπορεί να αλλάξει γλώσσα ανά πάσα στιγμή. Αν γνωρίζετε τη γλώσσα και η εγγραφή είναι θορυβώδης ή με έντονη προφορά, η δήλωσή της βελτιώνει την ακρίβεια.
Ο καθαρός ήχος αφαιρεί τα λάθη που προκαλεί ο χώρος. Δεν κάνει τίποτα για τα λάθη που προκαλεί το λεξιλόγιο, και αυτά χρειάζονται άλλο είδος βοήθειας.
Το τηλέφωνο δεν έχει ιδέα ποιος μιλάει ή για τι είναι η ομιλία, οπότε ένα όνομα προϊόντος ή ένα επώνυμο είναι απλώς ένας ήχος που προσεγγίζεται. Μια μετάδοση μπορεί να ενημερωθεί εκ των προτέρων για ό,τι αναμένεται.
Αν προσθέσετε σενάριο ή διαφάνειες πριν ξεκινήσετε, τα ονόματα και οι όροι που περιέχουν υπερισχύουν έναντι όσων άκουσε λάθος ο κινητήρας. Κατά την εγγραφή, η καρτέλα Script ακολουθεί τον ομιλητή σαν τηλεπρομπτερ. Αυτό είναι το μεγαλύτερο μεμονωμένο κέρδος ακρίβειας για το είδος της ομιλίας που γεμίζει συνέδρια και διαλέξεις: πυκνή σε κύρια ονόματα και σε λεξιλόγιο που κανένα μοντέλο γενικής χρήσης δεν έχει ακούσει αρκετά συχνά.
Ο καλός ήχος και ένα γλωσσάρι αφαιρούν τα περισσότερα λάθη. Το ερώτημα είναι τι συμβαίνει με τα λάθη που μένουν.
Ακόμη και με καλό ήχο και σενάριο, κάποιες γραμμές θα βγουν λάθος. Η διαφορά είναι τι γίνεται μετά.
Σε ένα τηλέφωνο, τίποτα. Η λάθος γραμμή περνά και η μετάφραση που χτίστηκε πάνω της περνά μαζί της.
Σε μια μετάδοση, μια γραμμή πολύ ασαφής για να αξίζει να εμφανιστεί κρύβεται από τους ακροατές με την ένδειξη «Audio unclear», αντί να παρουσιαστεί σαν γεγονός.
Και υπάρχει ο διοργανωτής, που έχει την καρτέλα Fix: οι λέξεις για τις οποίες ο κινητήρας δεν ήταν σίγουρος μπορούν να χρωματιστούν και να υπογραμμιστούν, ένα κλικ ανοίγει μια γραμμή για έλεγχο, και κάθε λέξη ή γραμμή μπορεί να ξαναγραφτεί ενώ η απομαγνητοφώνηση είναι ακόμη ζωντανή. Κάθε ακροατής βλέπει τη διόρθωση στη δική του γλώσσα. Κάθε διόρθωση σημειώνεται και μπορεί να ανακληθεί.
Το θέμα δεν είναι ότι ένας διακομιστής δεν κάνει ποτέ λάθη. Είναι ότι το λάθος φαίνεται, ανήκει σε κάποιον στο δωμάτιο και διορθώνεται μία φορά για όλους.
Οι διορθώσεις αφορούν αυτό που διαβάζουν οι ακροατές. Όσοι προτιμούν να ακούν την ομιλία παίρνουν το ίδιο διορθωμένο κείμενο, εκφωνημένο.
Ένας ακροατής που προτιμά να ακούει παρά να διαβάζει μπορεί να ακούει κάθε μεταφρασμένη γραμμή δυνατά. Από προεπιλογή, κάθε ομιλητής παίρνει μια διακριτή έτοιμη φωνή αντίστοιχου φύλου, ώστε ένα πάνελ να ακούγεται ακόμη σαν πάνελ. Μπορείτε να αντιστοιχίσετε μια φωνή σε κάθε ομιλητή, ή να σιγάσετε έναν.
Με την άδεια του ομιλητή, μπορείτε να πάτε παραπέρα και να κλωνοποιήσετε τη φωνή του από τριάντα δευτερόλεπτα ομιλίας του, είτε ανεβάζοντας ένα κλιπ είτε παίρνοντάς το απευθείας από έναν ομιλητή σε μια εγγραφή· λίγα λεπτά δίνουν καλύτερο αποτέλεσμα. Η μετάφραση διαβάζεται τότε με τη δική του φωνή σε κάθε γλώσσα. Ένας ομιλητής με αποθηκευμένη φωνή μπορεί επίσης να αναγνωριστεί σε μεταγενέστερες εγγραφές, αν και το σύστημα προτιμά να αφήσει έναν ομιλητή χωρίς όνομα παρά να ονομάσει λάθος άτομο.
Δύο κανόνες ισχύουν, και είναι σκόπιμοι. Μια κλωνοποιημένη φωνή είναι βιομετρικό δεδομένο: φτιάχνεται μόνο με τη ρητή συμφωνία του ομιλητή και μπορεί να διαγραφεί ανά πάσα στιγμή. Και μια φωνή μιλάει μόνο για μια απομαγνητοφώνηση ή τη μετάφρασή της· δεν μπορεί να κάνει να πει κάτι που ο ιδιοκτήτης της δεν είπε ποτέ.
Όλα όσα προηγήθηκαν συμβαίνουν όσο ο ομιλητής μιλάει. Η τελευταία διαφορά εμφανίζεται αφού σταματήσει.
Τα πενήντα απομαγνητοφωνημένα κείμενα των τηλεφώνων εξαφανίζονται όταν κλείσουν οι εφαρμογές. Μια μετάδοση κρατά την εγγραφή στη βιβλιοθήκη σας: τον ήχο, και την απομαγνητοφώνηση με κάθε διόρθωση και μετάφραση. Εκεί μπορεί να αναπαραχθεί γραμμή προς γραμμή, να αναζητηθεί σε οποιαδήποτε γλώσσα και να εξαχθεί· ο οδηγός στο Ένας σύνδεσμος, όλες οι γλώσσες καλύπτει τι κάνει η βιβλιοθήκη. Οι ακροατές δεν κοστίζουν τίποτα, όσοι κι αν είναι. Πληρώνετε για τον ήχο που απομαγνητοφωνείται, στα $0.60 την ώρα για ζωντανή μετάδοση, με ελάχιστο 5 λεπτά ανά απομαγνητοφώνηση, και η σελίδα Τιμών έχει τον πλήρη τιμοκατάλογο.
Ένα τηλέφωνο σε κάθε χέρι είναι ακόμη μια καλή εναλλακτική για μια κουβέντα στον διάδρομο. Για ένα δωμάτιο που πρέπει να καταλάβει μαζί έναν ομιλητή, ο ομιλητής πρέπει να απομαγνητοφωνηθεί μία φορά, από την πηγή, με κάποιον που μπορεί να διορθώσει ό,τι πάει στραβά. Μπορείτε να δείτε πώς μοιάζει αυτό στην διαδραστική επίδειξη στην αρχική σελίδα.
