Los subtítulos se ganan en la mesa de mezclas y en las diapositivas de los ponentes. Toma una señal limpia de los micrófonos de voz de cada escenario y carga todos los nombres y siglas antes de que nadie suba al escenario; el resto del día consiste en corregir lo que esos dos pasos no cubrieron.
La mayor parte del trabajo de subtitular una conferencia ocurre antes de que nadie suba al escenario, y la mayor parte no es software.
Un teléfono en el atril oye la sala; la mesa de mezclas oye al ponente. Toma la señal de la mesa, y sé preciso sobre qué señal. Pide al ingeniero de sonido un envío auxiliar o matricial dedicado que lleve solo los micrófonos de voz: atril, micrófonos de solapa, micrófonos de los panelistas. La música de entrada, la reproducción de vídeo y el stem de los aplausos quedan fuera. El reconocimiento que tiene que escuchar a través de una sintonía adivina con seguridad la letra de las canciones.
Prueba ese envío en el ensayo técnico, con los micrófonos reales y, si es posible, con los altavoces reales. Si no, lo descubrirás a las 8:55 de la mañana del evento: que la salida matricial es post-fader y que el ingeniero silencia el atril entre intervenciones.
Entrega a VocalStack esa señal de una de dos maneras. La primera es un codificador RTMP en la mesa. Cuando añades un stream RTMP como fuente de una transcripción en directo, el panel muestra la URL del servidor y la clave de stream que necesita el codificador, indica si ya llega audio y en qué formato, y te permite escucharlo. La segunda es una dirección de stream. Si el escenario ya se emite como directo de YouTube o como stream de audio, pega ese enlace y VocalStack extrae el audio por sí mismo; no se ejecuta nada de tu lado. Pega la dirección propia del stream, no la página en la que se reproduce. Si pegas una página web por error, el panel te lo indica.
En cualquier caso, usa una señal de micrófono por escenario. Los micrófonos del público y la diafonía restan precisión, y ningún ajuste la recupera. El mejor micrófono del edificio pertenece al panelista que sigue apartándose de él.
Cuando el audio ya llega, los asistentes necesitan un lugar donde leer los subtítulos.
Una emisión es el enlace que abren los asistentes. Créala en Broadcasts, ponle un nombre y elige su enlace. El panel propone un enlace basado en el nombre; puedes editarlo, siempre que tenga al menos seis caracteres. La misma pantalla muestra el código QR que los asistentes escanean para abrir la traducción en directo y elegir su idioma.
Decide ahora si la emisión es pública o privada. Pública significa que cualquiera con el enlace puede abrirla. Privada significa que los asistentes introducen una contraseña corta antes de que aparezca la transcripción. Si el enlace tiene que cambiar más adelante, cámbialo; el antiguo sigue funcionando.
Después piensa en cómo llega el enlace a mil bolsillos. Pon el código QR en la diapositiva de espera antes de cada sesión, en la señalización de las puertas y en la tarjeta del cordón si la hay. Cientos de teléfonos uniéndose a la vez suponen una carga real para el Wi-Fi del recinto, así que pregunta al recinto para qué dimensionaron los puntos de acceso y si la red de invitados limita el ancho de banda por dispositivo. Si la respuesta es un encogimiento de hombros, indica a los asistentes que usen datos móviles. Las páginas son pequeñas; el riesgo es el Wi-Fi.
Una conferencia con dos escenarios no necesita dos enlaces. Una emisión puede alimentarse de varias transcripciones en directo a la vez. El Escenario A y el Escenario B se convierten en dos transcripciones asociadas a la misma emisión, y el teléfono del asistente muestra ambas en una sola página. Cada escenario es su propia transcripción en directo, y cada plan limita cuántas pueden ejecutarse al mismo tiempo (1 en Pago por uso, 5 en Premium, sin límite en Enterprise). Ese límite vuelve en la sección de presupuesto más abajo.
Un enlace solo vale lo que valen las palabras que hay detrás.
En cualquier sistema, el reconocimiento en directo tropieza con nombres, términos de producto y siglas. Añade el guion o las diapositivas de cada ponente antes de empezar, y los nombres y términos que contengan tendrán prioridad sobre lo que el motor cree haber oído. Durante la charla, la pestaña Script sigue las palabras como un teleprompter.
Este es también el momento de ser honesto sobre lo que es el subtitulado automático. El reconocimiento de voz más la traducción automática no es CART (Communication Access Realtime Translation, subtitulado en directo escrito por un subtitulador humano formado), y tampoco es interpretación. Es rápido, barato e incansable, y en ocasiones invertirá una negación, redondeará un número o convertirá un chiste en una afirmación de hecho. Para una conferencia magistral, una sesión de producto o un panel, esa compensación suele ser la adecuada. Para una sesión en la que una palabra equivocada tiene consecuencias (legales, médicas, una votación), contrata a un subtitulador o intérprete humano y deja que la máquina funcione en paralelo como registro escrito. Conviene conocer también la referencia de accesibilidad: WCAG 2.x exige subtítulos para el audio en directo en el nivel AA (criterio 1.2.4), y cada vez más contratos del sector público y de recintos simplemente lo citan.
Con las palabras ya definidas, la última preparación consiste en saber quién las dice.
Las etiquetas de hablante indican al público quién habla. Pon el interruptor en When Needed y las etiquetas aparecen solo cuando se ha oído a un segundo hablante, de modo que una conferencia magistral se lee como texto corrido y un panel se lee como una conversación.
Para que los ponentes se reconozcan por su nombre desde la primera línea, registra sus voces de antemano en Voices. Basta un clip de una persona hablando: MP3, M4A o WAV, de al menos treinta segundos, aunque mejor de unos minutos. La persona tiene que haber dado su acuerdo, y el panel te pide que confirmes que tienes permiso antes de crear la voz. Trátalo como algo más que una casilla. Según el RGPD, una huella de voz utilizada para identificar a una persona se considera, en general, un dato biométrico (artículo 9). Eso exige consentimiento explícito y el derecho a que la huella se elimine. Existen normas comparables en otros lugares, y los acuerdos con los ponentes son el lugar fácil para cubrirlo. Una voz clonada puede eliminarse en cualquier momento. Mientras exista, también permite que los oyentes escuchen las traducciones de ese ponente con una voz parecida.
Con el plan definido, lo demás es el propio día.
Cada transcripción en directo tiene una pestaña Speed con un modo de latencia y un gráfico del retraso a lo largo del tiempo. Tres opciones:
Para una conferencia magistral con guion y una señal limpia de la mesa, Auto es lo adecuado; para un panel técnico con cuatro acentos y sin guion, merece la pena el retraso extra de Accuracy.
El arranque es el otro tiempo que conviene planificar. En Pago por uso, un arranque en frío puede tardar hasta 15 segundos antes de que empiece la transcripción. Premium suele arrancar caliente, y Enterprise siempre lo hace. Pulsa iniciar durante la entrada del público, no con la primera palabra.
Con cualquier modo, algunas palabras saldrán mal, así que alguien debe estar vigilando.
Alguien en la mesa debe mantener abierta la pestaña Fix. Tiene dos interruptores: Mark uncertain words colorea y subraya las palabras sobre las que el motor tenía dudas, y Click to correct abre una línea para revisarla al hacer clic en ella. La pestaña te guía por los segmentos inciertos uno a uno, y una corrección llega a todos los oyentes en todos los idiomas.
El micrófono del público es el eslabón débil de cualquier sala, y el turno de preguntas es donde se nota. Pide al moderador que repita cada pregunta del público en su propio micrófono antes de responder. Los subtítulos lo agradecerán, y también la última fila, que tampoco la oyó.
Entre sesiones, la mesa tiene otra tarea.
La pantalla del anfitrión puede pausar y reanudar una grabación, y la página del oyente muestra un aviso: "Paused. The transcript continues when the host resumes." La pausa es para un cambio de sesión, no para la hora de comer. Cada grabación tiene un tiempo máximo de pausa, que se configura en el panel en 30 segundos, 1 minuto o 3 minutos; una grabación que queda en pausa más tiempo termina sola.
Para un hueco más largo, detén la grabación e inicia una nueva cuando empiece la siguiente sesión. Cada grabación queda listada en la página de la emisión, así que por la tarde los asistentes pueden volver a las sesiones de la mañana. Una sola grabación en directo tiene un límite de unas pocas horas en Pago por uso y más en Premium (las cifras exactas están en la página de precios), así que un día largo son varias grabaciones de todos modos.
A mitad de la mañana, comprueba quién está leyendo de verdad.
La vista de audiencia de la pestaña Broadcast muestra quién está dentro, cuántos escuchan ahora, los idiomas que tienen abiertos y los oyentes a lo largo del tiempo. Cada transcripción incluye hasta 10 idiomas, y cada oyente elige el suyo en su propio dispositivo. La vista te indica, por tanto, qué idiomas lee realmente la sala, que rara vez coincide con la lista que supusieron los organizadores. Los asistentes inscritos desde Madrid resultan leer inglés; la fila del portugués se llena con una mesa que nadie esperaba. Lleva esa lista a casa para el próximo año.
Cada uno de esos oyentes es gratuito. Lo que cuesta dinero es el audio.
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 y a través de la API. Dos escenarios funcionando ocho horas cada uno son 16 horas de audio en directo, o $9.60. Las traducciones, la emisión, los resúmenes y las exportaciones están incluidos, sin importar cuánta gente escuche.
El plan importa por la capacidad más que por la tarifa. Pago por uso da $5 de crédito único de registro sin tarjeta, una transcripción a la vez y una grabación máxima de 5 horas. Una transcripción en directo se detiene de inmediato cuando el crédito llega a cero, así que recarga antes de abrir las puertas. Premium cuesta $50 al mes ($40 al mes con el plan anual) e incluye $50 de crédito cada mes, lo que cubre 83 horas en directo. Permite cinco transcripciones simultáneas y grabaciones de 10 horas, y añade un periodo de gracia: una transcripción en directo sigue funcionando un rato tras llegar a cero, y los minutos adicionales se facturan a la misma tarifa. Dos escenarios en paralelo requieren Premium. Enterprise tiene precios personalizados, concurrencia ilimitada, grabaciones de 24 horas y un grupo de motores dedicado.
Consulta la página de precios para ver la tabla completa, y revisa tu saldo en Facturación del panel la semana antes.
La factura se detiene cuando se detiene el audio; la transcripción no.
Las transcripciones se conservan 30 días en Pago por uso y sin límite en Premium y Enterprise. En Pago por uso, el audio original solo se conserva 7 días. Exporta dentro de esa semana si estás en el plan gratuito.
Para ver cómo se ve el enlace desde la butaca del asistente, consulta Un enlace, todos los idiomas, o prueba la demo en directo de la página de inicio.
