Una sala multilingüe no necesita una cabina por idioma. Necesita una señal de audio limpia desde la mesa de mezclas, un único enlace que el público abre en su propio teléfono y una forma de corregir un nombre mal oído mientras la charla sigue en curso.
Una charla, un oficio religioso, una conferencia o una sesión municipal tiene una persona que habla y un público que no domina todos ese mismo idioma. Las soluciones habituales son caras, parciales o privadas.
La solución cara es un intérprete por idioma. Incluso con uno por idioma, eso supone una cabina, un juego de receptores y un especialista para cada lengua de la sala, y los especialistas no dicen lo mismo. Cada intérprete toma sus propias decisiones bajo presión de tiempo: qué palabra usar para un término, qué condensar, qué omitir cuando el orador acelera. En una charla corriente, las diferencias apenas importan. En una vista judicial, una votación municipal o una exposición técnica, sí importan: un término definido, una dosis o una cláusula pueden llegar a los oyentes franceses con un significado y a los oyentes árabes con otro, y nadie de la sala está en condiciones de notarlo. La solución parcial es una señal de subtítulos en una sola pantalla, en un único segundo idioma. La solución privada son cincuenta teléfonos levantados hacia la sala: cincuenta transcripciones ligeramente erróneas, cada teléfono oyendo el eco y la tos con la misma claridad que al orador.
La alternativa es transcribir lo que dice el orador una sola vez, desde una fuente limpia, traducir esa única transcripción a los idiomas que necesite el público, de modo que todos los idiomas partan de las mismas palabras, y dejar que cada oyente elija en su propio dispositivo. La grabación se conserva al terminar el evento. Aquí se explica cómo configuran las cosas el anfitrión y el oyente, y cuánto cuesta.
Una transcripción en directo puede escuchar un micrófono de cualquier dispositivo, una señal RTMP de OBS o de cualquier otro codificador que acepte una URL de servidor y una clave de transmisión, un directo de YouTube, una emisora de radio por internet o cualquier URL que sirva una señal. En el caso de una señal, VocalStack extrae el audio por sí mismo; no necesitas ejecutar nada de tu lado.
La fuente importa más que cualquier ajuste. Un micrófono de sala, o un teléfono sobre una mesa, capta al orador y la sala: la reverberación de las paredes, las sillas, el público. El reconocimiento del habla empeora mucho cuando la voz se vuelve más débil en relación con ese ruido, y por eso esos cincuenta teléfonos no coinciden entre sí. Una señal de la mesa de mezclas lleva el micrófono propio del orador con poca sala, así que la transcripción sigue al orador y no a la sala. Si el local tiene mesa de mezclas, toma la señal de ahí.
El idioma hablado se detecta automáticamente, y el orador puede cambiarlo en cualquier momento; indicarlo de antemano ayuda en grabaciones con ruido y acentos marcados. Las etiquetas de hablante pueden estar desactivadas, activadas o en When Needed, que las activa en cuanto se oye a un segundo hablante. Una vez que llega el audio, el público necesita un lugar donde encontrarlo.
Una emisión es el enlace: una dirección y un código QR que los oyentes escanean para abrir la traducción en directo y elegir su idioma. El enlace se forma a partir del nombre que le das a la emisión. Si la cambias de nombre más tarde, el enlace anterior sigue funcionando, así que un código QR impreso en un programa de mano no caduca.
Una emisión es pública por defecto: cualquiera con el enlace puede abrirla. Si la haces privada y estableces una contraseña, se pide a los oyentes que la introduzcan antes de que aparezca la transcripción.
Una misma emisión puede alimentarse de varias transcripciones en directo, así que una conferencia con dos escenarios sigue compartiendo un solo enlace. El enlace hace que la gente entre; lo que la mantiene es acertar con los nombres.
Los reconocedores de voz se entrenan con la forma habitual en que la gente habla, así que, cuando un sonido es ambiguo, recurren a la palabra más común. Un nombre de producto, un apellido, un pueblo, un compuesto químico: cada uno tiene un casi homófono más frecuente, y eso es lo que sale a menos que se le avise al reconocedor de que llega la palabra rara. Para eso sirve un guion. Añade un guion o unas diapositivas antes de empezar, y los nombres y términos que contengan tendrán prioridad sobre lo que se oyó mal. Esos nombres y términos son donde el reconocimiento suele fallar en una charla especializada. Durante la grabación, la pestaña Script sigue el texto como un teleprompter, iluminando las palabras ya pronunciadas.
Eso es todo en cuanto a la configuración. Al otro lado del enlace, hay aún menos que hacer.
El oyente necesita un enlace o un código QR, y un teléfono. Abre el enlace en el navegador y ve La emisión aún no ha comenzado hasta que el anfitrión pulsa grabar; después, ve En directo. La primera línea aparecerá en un momento. Elige entre los idiomas que eligió el anfitrión (hasta 10 por transcripción, de los 100 disponibles) y lee la transcripción mientras habla el orador. El anfitrión sigue hablando en su propio idioma. El oyente puede cambiar de idioma en cualquier momento; la transcripción hasta ese momento se muestra de nuevo en el nuevo idioma.
Si el oyente prefiere escuchar, cada línea traducida se lee en voz alta. Por defecto, a cada orador se le asigna una voz predefinida distinta del mismo género, para que un panel siga sonando como un panel.
Las tres etapas ocurren en orden, y cada una espera a la anterior. El reconocimiento necesita un tramo de habla antes de poder fijar las palabras, así que la transcripción va unas fracciones de segundo por detrás del orador. La traducción necesita una frase completa, porque el orden de las palabras difiere entre idiomas y el final de una oración puede cambiar el principio, así que llega uno o dos segundos más tarde. La voz necesita la frase traducida antes de poder empezar, así que una línea hablada llega la última. Nada de esto es un defecto que haya que corregir; es lo que debe hacer cualquier sistema que realice estas tres tareas, incluido un intérprete humano, que también espera al verbo.
Con el permiso del orador, el anfitrión puede clonar su voz a partir de treinta segundos de esa persona hablando sola (un MP3, M4A o WAV; mejor unos minutos). La traducción se lee entonces con la voz del propio orador en todos los idiomas. Trata la voz como lo que es: un dato biométrico. Con arreglo al RGPD, los datos de voz tratados para identificar a una persona suelen entrar en las categorías especiales del artículo 9, y algunos estados de EE. UU., entre ellos Illinois, regulan por separado las huellas de voz. Obtén el consentimiento explícito del orador antes de grabar la muestra, no después; la voz se puede eliminar en cualquier momento. La clonación también registra al orador, de modo que aparece identificado por su nombre en futuras grabaciones. El anfitrión puede asignar una voz a cada orador o silenciar a uno.
Un oyente que llega tarde ve todo lo dicho antes de su llegada y, después, sigue la emisión en directo. Si la conexión se corta, la página se pone al día por sí sola cuando vuelve la conexión. Cuando el anfitrión pausa, los oyentes ven En pausa. La transcripción continúa cuando el anfitrión la reanude. Cuando el anfitrión detiene la emisión, la página muestra la fecha y la duración de la grabación, y la emisión enumera sus grabaciones anteriores para reproducirlas.
Un oyente solo puede leer lo que captó el motor, y el reconocimiento en directo se equivoca en parte de ello.
La pantalla del anfitrión tiene una pestaña Fix precisamente para eso. Mark uncertain words colorea y subraya las palabras sobre las que el motor tenía dudas; Click to correct abre una línea para revisarla. La pestaña recorre los segmentos inciertos uno a uno, de modo que una segunda persona en la mesa puede revisarlos mientras el orador sigue hablando.
Cuando el anfitrión reescribe una palabra o una línea, incluso una que todavía se está pronunciando, todos los oyentes ven la corrección. Una línea cuya confianza sea demasiado baja se oculta a los oyentes como Audio poco claro en lugar de mostrarse mal; el anfitrión sigue viendo todas las palabras. Un hueco es una laguna conocida; una palabra errónea y segura de sí misma es un rumor.
Esas correcciones no desaparecen cuando termina la charla.
Todo se conserva. La grabación, su transcripción con correcciones y traducciones, y el audio pasan a la biblioteca del anfitrión. La repetición la reproduce tal como llegó, línea a línea, con su audio. Una vez que las palabras son definitivas, se redactan un título y un resumen en todos los idiomas, y las pestañas Summary y Export de la pantalla del anfitrión los sacan directamente del evento.
Las exportaciones son subtítulos SRT, PDF, Excel o JSON, con las correcciones y las traducciones incluidas, y el audio se descarga en MP3. Cada transcripción se puede buscar en cualquier idioma.
La vista Audience muestra quién escuchó, en qué idioma y a qué hora se unió: a menudo, el primer recuento real que obtiene un organizador sobre quién necesitaba qué idioma. Hasta entonces, la estimación habitual era la de quien levantaba la mano cuando se preguntaba, en inglés, si necesitaba traducción. Los identificadores de los oyentes se eliminan junto con la grabación.
El reconocimiento del habla, el reconocimiento de hablantes y la síntesis de voz se ejecutan en servidores que nosotros operamos, y tu audio no se envía a ningún tercero para su procesamiento. No usamos tu audio, tus transcripciones ni tus voces para entrenar modelos.
La retención depende del plan: en Pago por uso, el audio original y las voces se conservan 7 días y las transcripciones 30 días; Premium y Enterprise las conservan mientras dure la cuenta. Lo otro que decide el plan es la factura.
Hay dos cifras que importan. En Pago por uso y Premium, la transcripción en directo cuesta $0.60 por hora de audio, facturada por segundo con un mínimo de 5 minutos por transcripción, tanto en el panel como a través de la API por igual; Enterprise tiene tarifas por volumen. Los oyentes y los idiomas son gratuitos: un evento de una hora leído en cinco idiomas por doscientas personas cuesta $0.60. Los archivos son más baratos ($0.20 por hora), porque una transcripción en directo funciona en tiempo real durante todo el evento. Los planes se diferencian en concurrencia, duración máxima de grabación y velocidad de arranque; en Pago por uso, un arranque en frío puede tardar hasta 15 segundos, así que pulsa grabar un poco antes que el orador, más o menos con un «¿Me oyen todos al fondo?» de adelanto. La tabla completa está en la página de precios.
La página de inicio tiene una demo con dos teléfonos, y una cuenta nueva en el panel de VocalStack incluye un crédito de registro de $5 y no requiere tarjeta. A la tarifa en directo, ese crédito cubre más de ocho horas de emisión.
¿Estás decidiendo entre esto y la traducción en directo que lleva incorporada el teléfono de cualquiera? Lee por qué un teléfono no basta para una sala. Para un evento completo, la lista de comprobación para conferencias multilingües cubre la ruta del audio, varias etapas en un mismo enlace y el presupuesto. Quienes desarrollan pueden hacer todo esto desde código a través de la referencia de la API, a la misma tarifa.
