Reaalajas tõlke täpsus otsustatakse enamasti enne, kui mudel tööle hakkab, ja seda määrab mikrofoni asukoht. Võtke heli miksimispuldilt, mitte kaheteistkümnendast reast, transkribeerige see üks kord ja viga muutub üheks reaks, mille keegi saab kõigi jaoks parandada.
Telefonide sisseehitatud tõlkerakendused on tõeline saavutus. Need töötavad sageli kõnemudeliga, mis on piisavalt väike, et mahtuda seadmesse ja selle akusse (mõned saadavad heli serverisse, kui on ühendus), ning lühikeste, selgete ja igapäevaste lausete puhul teevad nad oma töö: teejuhiste küsimine, menüü lugemine, vestlus letil.
Ruumitäis inimesi, kes kuulavad ühte kõnelejat, on hoopis teine probleem. Kõnes ilmnevad vead on täpselt need, millega väike mudel kõige halvemini hakkama saab: harvaesinevad sõnad ja nimed, häälikult sarnased sõnad (nagu inglise keeles „sail” ja „sale”), tehnilised terminid, aktsendid, inimesed, kes räägivad üksteise peale, ja taustamüra. Purjeklubis teeb mudel, mis kuuleb „sale”, mõistliku oletuse ja kindla vea.
Kaks asja panevad väikese mudeli rohkem oletama kui suure. Telefonile sobivaks pressimise tõttu teab ta vähem sõnu ja vähem nende väljendamise viise; nime, mida ta pole kohanud, lähendab ta pelgalt helide järgi. Lisaks peab reaalajas tuvastus sõna kinnitama enne, kui lause ülejäänud osa kohale jõuab. Mudel ei saa seetõttu kasutada seda, mis oleks „sail” ja „sale” vahel otsustanud: järgnevaid sõnu või skripti, mis ütleb, millest kõne räägib. Kõnetuvastuses tähendab kontekst täpselt neid kahte asja: ümbritsevaid sõnu ja seda, mis on ette teada.
Kui mudel pole kindel, ta oletab. Tõlge ehitatakse siis oletusele ja inimesel, kes seda loeb, pole mingit võimalust seda teada. Ruumis ei näe keegi, et rida oli vale, rääkimata sellest, et keegi seda parandaks. Ja ruum ei ole üks kuulaja, vaid viiskümmend.
Telefon kuuleb ruumi, mitte kõnelejat. Põhjus on kaugus: klambrimikrofon või laua mikrofon asub suust mõne sentimeetri kaugusel, aga telefon kaheteistkümnendas reas on kümne meetri või kaugemal ning suurem osa sellest, mis sinna jõuab, on enne seinte, lae ja tooli seljatugede pealt peegelduv heli. Peegeldunud heli saabub hilja ja udusena. Lisaks võtab telefon vastu kaks rida tagapool köhivat inimest, naabri sosinat ja seda, mida kõlarid hääle teel saalis teevad. Iga koht saab veidi erineva salvestuse ja iga koht saab seetõttu veidi erineva transkripti.
Telefon tõlgib ka ainult ühele inimesele. Viiskümmend osalejat, kes hoiavad üles viiskümmend telefoni, teevad sama kõne kohta viiskümmend sõltumatut transkripti erinevate vigadega. Kaks inimest, kes hiljem märkmeid võrdlevad, ei nõustu, mis öeldi. Kõneleja aga räägib seinaga, mis koosneb kõrgeks tõstetud telefonidest, ja sellist publikut on raske lugeda.
Mõne inimese jaoks ruumis on see enamat kui ebamugavus; see otsustab, kas nad suudavad kõnest üldse aru saada. Kuulmispuudega osaleja või keegi, kes järgib kolmandas keeles, vajab ühte õiget ühist teksti, mitte viiskümmend parimat pingutust. Seega tuleb kõneleja transkribeerida üks kord ja anda kõigile sama tulemus. Üks transkribeerimine tasub end ära ainult siis, kui see tehakse hästi, ja see algab sellest, kust heli tuleb.
Transkript on sama hea kui heli, millest see tehakse. Seega ei ole esimene otsus see, millist mudelit kasutada, vaid see, millist signaali talle anda. Teine otsus on see, mida mudelile enne alustamist öelda.
Reaalajas transkriptsioon võtab heli sealt, kus puhas signaal juba on:
VocalStack tõmbab URL-voo ise, nii et teie poolel ei jookse midagi. RTMP-voo puhul on suund vastupidine: teie kodeerija saadab selle. Kõneleja keel tuvastatakse automaatselt ja ta võib keelt igal ajal vahetada. Kui te keelt teate ja salvestis on müra täis või tugevalt aktsendiga, aitab keele nimetamine täpsust parandada.
Puhas heli eemaldab vead, mida põhjustab ruum. Sõnavarast tulenevaid vigu see ei paranda, nende jaoks on vaja muud tüüpi abi.
Telefonil pole aimugi, kes räägib või millest kõne on, nii et tootenimi või perekonnanimi on lihtsalt veel üks heli, mida lähendada. Ülekande puhul saab süsteemile ette öelda, mida oodata.
Kui lisate enne alustamist skripti või slaidid, võidavad seal olevad nimed ja terminid selle, mida mootor valesti kuulis. Salvestuse ajal liigub Script-vahekaart kõneleja järel nagu teleprompter. See on suurim üksikmõju täpsusele kõne puhul, mis täidab konverentse ja loenguid: täis pärisnimesid ja sõnavara, mida ükski üldotstarbeline mudel pole piisavalt tihti kuulnud.
Hea heli ja sõnastik eemaldavad enamiku vigadest. Küsimus on, mis juhtub järelejäänud vigadega.
Isegi hea heli ja skriptiga tuleb mõni rida valesti. Erinevus seisneb selles, mis edasi juhtub.
Telefonil ei juhtu midagi. Vale rida kerib mööda ja sellest sõltuv tõlge läheb kaasa.
Ülekandes peidetakse kuulajatelt rida, mis on liiga ebaselge, et seda näidata, selle asemel et esitada see faktina: see kuvatakse sildiga „Audio unclear”.
Siis on saatejuhil Fix-vahekaart: sõnad, mille kohta mootor oli ebakindel, saab värvida ja alla kriipsutada, klõps avab rea ülevaatuseks ning mis tahes sõna või rea saab ümber kirjutada, kui transkriptsioon on veel elav. Iga kuulaja näeb parandust oma keeles. Iga parandus on märgitud ja seda saab tagasi võtta.
Asi pole selles, et server ei eksi kunagi. Asi on selles, et viga on nähtav, ruumis keegi omab seda ja see parandatakse kõigi jaoks korraga.
Parandused puudutavad seda, mida kuulajad loevad. Kuulajatele, kes eelistaksid talku kuulata, saab sama parandatud tekst ka kõnena.
Kuulaja, kes eelistab kuulata lugemise asemel, saab iga tõlgitud rea valjult ette lugeda. Vaikimisi saab iga kõneleja erineva valmishääle, mis vastab soole, nii et paneel kõlab ikka paneelina. Iga kõnelejale saab määrata hääle või ühe neist vaigistada.
Kõneleja nõusolekul saab minna kaugemale ja kloonida tema hääle 30 sekundi kõnest, kas üleslaaditud klipina või otse salvestise kõnelejalt; paar minutit annab parema tulemuse. Tõlge loetakse seejärel igas keeles kõneleja enda häälega. Kõneleja, kellel on salvestatud hääl, saab tuvastada ka hilisemates salvestistes, kuigi süsteem eelistab jätta kõneleja nimetamata, kui see nimetaks vale inimese.
Kahel reeglil on alus ja need on tahtlikud. Kloonitud hääl on biomeetriline andmestik: seda tehakse ainult kõneleja selge nõusolekuga ja seda saab igal ajal kustutada. Ja hääl räägib ainult transkripti või selle tõlget; seda ei saa panna ütlema midagi, mida selle omanik pole öelnud.
Kõik seni kirjeldatu toimub kõneleja rääkimise ajal. Viimane erinevus ilmneb pärast seda, kui ta lõpetab.
Telefoni transkriptid kaovad, kui rakendused sulguvad. Ülekanne hoiab salvestist teie kogus: heli ning transkripti koos kõigi parandustega ja tõlgetega. Seda saab rida-realt uuesti esitada, otsida mis tahes keeles ja eksportida; juhend Üks link, iga keel selgitab, mida kogu teeb. Kuulajad ei maksa midagi, olenemata nende arvust. Maksate transkribeeritud heli eest, live-režiimis $0.60 tunni eest, kusjuures ühe transkriptsiooni miinimum on 5 minutit. Hinnatabel on hinnalehel.
Telefon igas käes on ikka hea varuvariant koridori vestluseks. Ruumile, mis peab ühe kõneleja koos mõistma, tuleb kõnelejat transkribeerida üks kord allikast ja nii, et keegi suudab valesti läinu parandada. Kuidas see välja näeb, saate vaadata interaktiivsest demost avalehel.
