Las palabras que un reconocedor falla en un oficio o en una sesión del concejo son las que ya están escritas en papel. Dale la agenda, toma el audio de la mesa de mezclas y no de la sala, y un evento semanal cuesta menos que el café posterior.
Un servicio dominical, una clase del martes y una reunión mensual del concejo tienen más en común de lo que parece. Cada uno se repite una y otra vez en la misma sala, cada uno lo dirige un voluntario o un secretario en lugar de una empresa de audiovisuales, y cada uno atiende a personas que seguirían mejor el contenido en otro idioma, a personas que oyen mal y a quienes sencillamente no podrían estar presentes. El presupuesto es reducido y las personas que lo gestionan cambian. Quien lo montó el año pasado suele haber pasado ya al turno de las flores.
Este artículo explica cómo configurar VocalStack una sola vez para una sala así, de modo que cada semana después baste con pulsar iniciar. También cubre el puñado de cosas que deciden si las palabras de la pantalla son correctas. Para la versión puntual, una conferencia con varios escenarios, consulta la lista de comprobación para conferencias multilingües. Empieza por lo que vas a imprimir.
Una emisión es un único enlace público y un código QR. Cualquiera puede abrir el enlace en un navegador, elegir un idioma y leer mientras la persona habla. No hay nada que instalar ni cuenta que crear. Una misma emisión puede alimentarse de tantas transcripciones en directo como quieras, así que la grabación de este domingo y la del siguiente aparecen en la misma dirección.
Imprime el código QR una vez y ponlo en el tablón de anuncios, en el orden del culto, en las diapositivas de la clase o en el muro de la galería pública. Los oyentes lo escanean para abrir la traducción en directo y elegir su idioma. Si alguna vez cambias el enlace, el antiguo sigue abriendo la misma emisión, así que los folletos del año pasado seguirán funcionando.
Quien abre el enlace antes de tiempo ve que la emisión todavía no ha comenzado. Quien llega tarde ve todo lo dicho antes de su llegada y luego sigue la emisión en directo. Un oyente cuya conexión se corta recupera el texto por sí mismo.
Una emisión es pública de forma predeterminada, lo cual es correcto para un culto o una sesión del concejo, y no lo es para una reunión a puerta cerrada o un seminario. Para estos casos, cámbiala a privada y establece una contraseña: solo podrán abrir el enlace quienes tengan la contraseña, y se les pedirá antes de que aparezca la transcripción. En cualquier caso, indica en un lugar visible que la sala se está transcribiendo y adónde va el texto. Las personas que rezan en voz alta, o que intervienen durante tres minutos en el turno de intervención pública, no necesariamente esperaban una transcripción. Una línea que lo diga en el orden del culto o en el orden del día no cuesta nada. Crea la emisión en {{app}}/broadcasts/new.
Un enlace es solo la mitad; hace falta algo que ponga las palabras en él.
Antes que nada, el audio. Las salas de las iglesias y de los concejos están pensadas para la reverberación: piedra, techos altos, bancos de madera. Un teléfono o un portátil en el atril oye al orador una vez de forma directa y luego varias veces más por el eco de las paredes. La distancia más el eco es la causa principal de los errores de reconocimiento, muy por delante de los acentos. Si la sala tiene una mesa de mezclas, toma la señal de ahí (una salida auxiliar o de grabación), para que el reconocedor oiga lo mismo que oyen los micrófonos. Quien se mueve, como el predicador que deja el púlpito o el profesor frente a la pizarra, debería llevar un micrófono de solapa o de diadema en lugar de depender de uno de pie. Si resuelves esto, casi todo lo demás es cuestión de ajustes.
La mayoría de las iglesias, universidades y concejos ya envían ese audio de la mesa a algún sitio, y una transcripción en directo puede tomarlo desde ahí en vez de hacerlo desde un dispositivo en la sala.
En el caso de un flujo, VocalStack obtiene el audio por su cuenta; no hay que ejecutar nada en tu lado. La dirección sí tiene que ser accesible desde internet. Un flujo que existe solo dentro de tu propia red tiene que grabarse desde un dispositivo en la sala. Inicia una transcripción en directo en {{app}}/transcriptions/new/live y adjúntala a la emisión.
Una vez que llega buen audio, los errores que seguirás notando son los previsibles.
Las palabras que un reconocedor de voz falla en una iglesia, una clase o una sala de plenos son previsibles: nombres de personas y lugares, citas bíblicas, términos técnicos, los puntos de un orden del día. La razón es estructural. Un reconocedor elige las palabras más probables dado el sonido, y aprende esas probabilidades de lo que la gente suele decir. Así, un apellido poco frecuente pierde frente a una palabra común que suena igual, siempre. La respuesta del campo, conocida como sesgo o vocabulario personalizado, es indicarle al sistema qué palabras raras esperar. La observación útil para una sala semanal es que estas son justamente las palabras que ya están escritas antes del evento.
Añade un guion o unas diapositivas antes de empezar. Los nombres y términos que contengan tendrán prioridad sobre lo que el reconocedor haya oído mal. Nadie tiene que leerlo palabra por palabra; un esquema del sermón, un folleto o el orden del día publicado ya contienen la mayoría de los nombres propios. Durante la grabación, la pestaña Script de la pantalla del anfitrión sigue el texto como un teleprompter, iluminando las palabras ya pronunciadas.
Los guiones se pueden escribir con antelación y programar una hora de inicio; la biblioteca los muestra en Upcoming con un botón Start. Eso encaja con un turno: una persona añade el texto el viernes y otra pulsa Start el domingo.
Si una palabra sigue saliendo mal, la pestaña Fix marca las palabras inciertas y permite al anfitrión hacer clic en una línea para corregirla mientras la grabación está en marcha; los oyentes ven la corrección.
Acertar con las palabras es una mitad; la otra es saber quién las dijo.
El interruptor de etiquetas de hablante tiene tres posiciones. When Needed etiqueta cada línea con su hablante en cuanto se oye más de una voz; si no, la transcripción es texto plano. On etiqueta cada línea incluso con un solo hablante. Off da texto plano. En un sermón, When Needed significa que una sola voz se lee como prosa; en un concejo de una docena de miembros, cada línea lleva a su hablante.
Al principio, las etiquetas son números. En una grabación puedes poner nombre a un hablante, y ese nombre se aplica a todas sus líneas. Para las personas que hablan cada semana, da un paso más y guarda su voz. Puedes crear una voz a partir de cualquier hablante que hable al menos treinta segundos en una grabación, o a partir de una grabación corta que te proporcione. Así, en grabaciones futuras el hablante se reconoce y se etiqueta por su nombre, y si los oyentes eligen escuchar la traducción leída en voz alta, se lee con la propia voz de ese hablante en todos los idiomas. Sin clonación, cada hablante recibe una voz predefinida de género acorde, y cualquier hablante puede silenciarse.
Una voz clonada es un dato biométrico. VocalStack solo crea una con el consentimiento explícito del hablante, la usa únicamente para leer en voz alta las intervenciones de ese hablante, y te permite eliminarla en cualquier momento. Los concejales y el clero son figuras públicas en sus salas; eso no equivale a dar consentimiento, así que pregunta.
En un concejo es donde la transcripción se convierte en acta. Con cada línea etiquetada con un nombre, el acta por fin muestra quién dijo «creo que ya hemos tratado esto» por cuarta vez. Lo que plantea la pregunta de para quién es el registro.
Los primeros beneficiarios son los asistentes habituales que son sordos o tienen dificultades auditivas, no los visitantes que leen en otro idioma, aunque también sean bienvenidos. Un bucle auditivo (bucle de inducción) ayuda a quienes usan audífonos y no sirve de nada para los demás; los subtítulos en un teléfono ayudan al resto, y ambos se complementan en lugar de competir. Las administraciones públicas de muchos lugares tienen obligaciones de accesibilidad y de reuniones abiertas, y una transcripción que el público puede leer en directo y después va bastante lejos hacia ambas cosas. Consulta qué te aplica en tu localidad.
Sé honesto sobre lo que son los subtítulos automáticos. Un subtitulador humano (el servicio se llama CART en algunos países) escucha, entiende y escribe. En un debate acalorado del concejo en el que tres miembros hablan a la vez, una persona seguirá superando a una máquina. El habla superpuesta produce errores en cualquier sistema automático, y también los produce el presidente de la sesión murmurando fuera del micrófono. Cuando exista una obligación legal de subtítulos literales, los automáticos son un complemento, no un sustituto; cuando la alternativa es no tener nada, suponen una gran mejora frente a nada.
La transcripción también vale más al día siguiente.
Cada grabación llega a tu biblioteca, y la página de la emisión enumera las grabaciones pasadas para cualquiera que tenga el enlace. Quien se perdió la reunión puede reproducirla exactamente como llegó, línea a línea y con su audio.
Cuando las palabras están definitivas, se escriben un título y un resumen en todos los idiomas. Una búsqueda en tu idioma también encuentra grabaciones hechas en otro, así que un secretario puede localizar el mes en que se trató un asunto y un estudiante la clase que cubrió un tema. Las exportaciones salen como subtítulos SRT, PDF, Excel o JSON, con las correcciones y traducciones incluidas; un PDF de la transcripción traducida acompaña muy bien al acta. Si algo de esto debe ocurrir sin que nadie haga clic, la API hace todo lo que hace el panel, a la misma tarifa y en todos los planes: consulta {{api}}/docs.
Todo esto tiene que caber en el presupuesto de una parroquia o de un comité.
La transcripción en directo cuesta $0.60 por hora de audio, facturada por segundo con un mínimo de 5 minutos por transcripción, en todos los planes. Los oyentes son gratuitos, sin importar cuántos sean, y la traducción a hasta 10 idiomas por transcripción está incluida.
Una cuenta nueva incluye $5 de crédito de bienvenida único y no pide tarjeta. Ese crédito cubre más de un mes de domingos. Después, recargas según uses, o contratas Premium a $50 al mes ($40 al mes con el plan anual). Premium incluye $50 de crédito cada mes, lo que equivale a 83 horas en directo. También conserva todas las grabaciones durante toda la vida de la cuenta en lugar de 30 días, y no corta una transcripción si el crédito se agota a mitad de reunión. Dos notas prácticas para el tesorero. En Pago por uso, una transcripción puede tardar hasta 15 segundos en empezar en frío, así que pulsa Start antes del himno de apertura y no durante. Y un YouTube live que ya ha finalizado es un vídeo, así que se transcribe como archivo, a la tarifa de archivo, mucho más baja.
Para una sala y un evento recurrente, Pago por uso basta. Para una institución que quiere que cada grabación sea buscable años después, o que gestiona varias salas a la vez, la opción es Premium. La tabla completa, con límites y plazos de conservación, está en la página de precios, y la demostración interactiva muestra lo que ve un oyente.
