La precisión de la traducción en directo depende sobre todo de lo que ocurre antes de ejecutar cualquier modelo: de dónde sale el micrófono. Toma el audio de la mesa de mezclas, no de un asiento en la fila doce; transcríbelo una vez y un error se convierte en una sola línea que alguien puede corregir para todos.
Las aplicaciones de traducción integradas en los teléfonos son un logro real. Suelen ejecutar un modelo de voz lo bastante pequeño para caber en el dispositivo y en su batería (algunas envían el audio a un servidor cuando hay conexión), y para frases cortas, claras y cotidianas cumplen su función: preguntar por una dirección, leer una carta, mantener una conversación en un mostrador.
Una sala llena de gente que escucha a un solo orador es un problema distinto. Lo que sale mal en el habla real es justo lo que peor hace un modelo pequeño: palabras poco comunes y nombres propios, palabras que suenan igual («vaya» y «valla»), términos técnicos, acentos, personas que hablan a la vez y ruido de fondo. En un club de vela, un modelo que oye «hola» donde se dijo «ola» ha hecho una suposición razonable y un error cometido con toda seguridad.
Hay dos cosas que hacen que el modelo pequeño adivine más que uno grande. Ha sido comprimido para caber en el teléfono, así que conoce menos palabras y menos formas de decirlas; y ante un apellido que no ha visto nunca, aproxima a partir de los sonidos. Además, el reconocimiento en directo tiene que decidirse por una palabra antes de que llegue el resto de la frase, así que el modelo no puede usar lo que habría zanjado «ola» frente a «hola»: las palabras que vienen después, o un guion que diga de qué trata la charla. En el reconocimiento del habla, el contexto significa exactamente esas dos cosas: las palabras que lo rodean y lo que se sabe de antemano.
Cuando el modelo no está seguro, adivina. La traducción se construye entonces sobre la suposición, y la persona que la lee no tiene forma de saberlo. Nadie en la sala puede ver que una línea estaba mal, y mucho menos corregirla. Y una sala no es un oyente, sino cincuenta.
Un teléfono escucha la sala, no al orador. La distancia es la razón: un micrófono de solapa o de mesa está a pocos centímetros de la boca, mientras que un teléfono en la fila doce está a diez metros o más, y la mayor parte de lo que le llega ha rebotado antes en las paredes, el techo y los respaldos de las sillas. El sonido reflejado llega tarde y emborronado. Además, el teléfono capta a la persona que tose dos filas atrás, el murmullo del vecino y lo que los altavoces hacen con la voz en su camino por la sala. Cada asiento recibe una grabación ligeramente distinta, y por tanto cada asiento recibe una transcripción ligeramente distinta.
Un teléfono, además, traduce para una sola persona. Cincuenta asistentes con cincuenta teléfonos en alto producen cincuenta transcripciones independientes de la misma charla, con cincuenta conjuntos distintos de errores. Dos personas que comparen apuntes después no coincidirán en lo que se dijo. El orador, mientras tanto, se dirige a un muro de teléfonos levantados, un público difícil de leer.
Para algunas personas de la sala esto es más que una molestia: decide si pueden seguir la charla o no. Un asistente con problemas de audición, o alguien que sigue la charla en un tercer idioma, necesita un único texto compartido y correcto, no cincuenta intentos aproximados. Eso significa transcribir al orador una vez y dar a todos el mismo resultado. Transcribir una vez solo compensa si se hace bien, y eso empieza por saber de dónde procede el audio.
La transcripción solo es tan buena como el audio del que parte. Así que la primera decisión no es qué modelo usar, sino qué señal darle. La segunda es qué decirle al modelo antes de empezar.
Una transcripción en directo toma el audio de donde ya esté la señal limpia:
VocalStack extrae él mismo el flujo de una URL, así que no hay nada que ejecutar de tu lado. Un flujo RTMP funciona al revés: tu codificador lo envía. El idioma del orador se detecta automáticamente, y puede cambiar de idioma en cualquier momento. Si conoces el idioma y la grabación tiene ruido o un acento muy marcado, indicarlo mejora la precisión.
Un audio limpio elimina los errores causados por la sala. No hace nada por los errores causados por el vocabulario, y esos necesitan otro tipo de ayuda.
Un teléfono no sabe quién habla ni de qué trata la charla, así que un nombre de producto o un apellido son solo otro sonido que aproximar. Una emisión puede recibir de antemano una indicación de lo que se va a decir.
Si añades un guion o unas diapositivas antes de empezar, los nombres y términos que contengan prevalecen sobre lo que el motor haya entendido mal. Durante la grabación, la pestaña Script sigue al orador como un teleprompter. Es la mayor mejora de precisión para el tipo de habla que llena congresos y conferencias: densa en nombres propios y en vocabulario que ningún modelo de uso general ha oído con suficiente frecuencia.
Un buen audio y un glosario eliminan la mayoría de los errores. La cuestión es qué pasa con los errores que quedan.
Incluso con buen audio y un guion, algunas líneas saldrán mal. La diferencia está en lo que ocurre después.
En un teléfono, nada. La línea equivocada desaparece y la traducción construida sobre ella se va con ella.
En una emisión, una línea demasiado poco clara para mostrarla se oculta a los oyentes con el texto «Audio unclear», en lugar de presentarla como un hecho.
Y está el anfitrión, que tiene una pestaña Fix: las palabras sobre las que el motor tenía dudas pueden marcarse en color y subrayarse, un clic abre una línea para revisarla, y cualquier palabra o línea puede reescribirse mientras la transcripción sigue en directo. Cada oyente ve la corrección en su propio idioma. Cada corrección queda marcada y puede deshacerse.
No se trata de que un servidor nunca se equivoque. Se trata de que el error sea visible, lo gestione alguien de la sala y se corrija una sola vez para todos.
Las correcciones cambian lo que leen los oyentes. Quienes prefieren escuchar la charla reciben el mismo texto corregido, pero hablado.
Un oyente que prefiere escuchar a leer puede hacer que cada línea traducida se lea en voz alta. Por defecto, cada orador tiene una voz predefinida distinta del género que le corresponde, así que un panel sigue sonando a panel. Puedes asignar una voz a cada orador o silenciar a uno.
Con el permiso del orador, puedes ir más allá y clonar su voz a partir de treinta segundos de su habla, subidos como clip o tomados directamente de un orador en una grabación; unos pocos minutos dan un resultado mejor. La traducción se lee entonces con la propia voz del orador en cada idioma. Un orador con una voz guardada también puede ser reconocido en grabaciones posteriores, aunque el sistema prefiere dejar a un orador sin nombre antes que ponerle el nombre de otra persona.
Se aplican dos reglas, y son deliberadas. Una voz clonada es un dato biométrico: solo se crea con el acuerdo explícito del orador y puede eliminarse en cualquier momento. Y una voz solo puede pronunciar una transcripción o su traducción; no puede hacerse decir algo que su dueño nunca dijo.
Todo lo anterior ocurre mientras el orador habla. La última diferencia aparece cuando termina.
Las cincuenta transcripciones de teléfono desaparecen cuando se cierran las aplicaciones. Una emisión conserva la grabación en tu biblioteca: el audio y la transcripción con cada corrección y traducción. Allí puede reproducirse línea a línea, buscarse en cualquier idioma y exportarse; el recorrido por Un enlace, todos los idiomas explica lo que hace la biblioteca. Los oyentes no cuestan nada, da igual cuántos sean. Pagas por el audio transcrito, a $0.60 por hora en directo, con un mínimo de 5 minutos por transcripción, y la página de precios tiene la tarifa completa.
Un teléfono en cada mano sigue siendo un buen recurso para una conversación en el pasillo. Para una sala que tiene que entender a un solo orador en conjunto, el orador debe transcribirse una vez, desde la fuente, y con alguien capaz de corregir lo que salga mal. Puedes ver cómo es eso en la demostración interactiva de la página de inicio.
