زیرنویس‌ها پشت میز میکسر و در اسلایدهای سخنرانان به دست می‌آیند. برای هر صحنه یک خوراک تمیز از میکروفون‌های گفتار بگیرید و پیش از روی صحنه رفتن هر سخنران، همهٔ نام‌ها و اختصارها را بارگذاری کنید؛ بقیهٔ روز صرف رفع اشکال‌هایی می‌شود که این دو مرحله از قلم انداخته‌اند.
بیشترِ کار زیرنویس‌گذاری یک کنفرانس پیش از آن انجام می‌شود که کسی پا روی صحنه بگذارد، و بیشترِ آن کار نرم‌افزاری نیست.
تلفنی که روی تریبون گذاشته شود، اتاق را می‌شنود؛ میکسر، سخنران را می‌شنود. خوراک را از میکسر بگیرید و دقیق باشید که کدام خوراک. از مهندس صدا یک ارسال اختصاصی aux یا matrix بخواهید که فقط میکروفون‌های گفتار را حمل کند: تریبون، میکروفون‌های یقه‌ای و میکروفون‌های پنل. موسیقی ورود، پخش ویدیو و استم تشویق‌ها نباید در آن باشند. بازشناسیِ گفتاری که باید از میان یک جینگل گوش کند، با اطمینان کامل حدس می‌زند که اشعار چه بوده‌اند.
این ارسال را در تمرین فنی آزمایش کنید، با میکروفون‌ها و بلندگوهای واقعی، اگر دسترسی به آن‌ها دارید. وگرنه ساعت 8:55 صبحِ روز رویداد می‌فهمید که خروجی matrix پس از فیدر است و مهندس بین سخنرانی‌ها تریبون را بی‌صدا می‌کند.
این خوراک را به VocalStack به دو روش بدهید. روش اول یک انکودر RTMP پشت میز است. وقتی یک جریان RTMP را به‌عنوان منبع یک رونویسی زنده اضافه می‌کنید، داشبورد آدرس سرور و کلید جریانی را نشان می‌دهد که انکودر لازم دارد، به شما می‌گوید صدا هنوز می‌رسد یا نه و در چه قالبی است، و امکان گوش دادن به آن را می‌دهد. روش دوم یک نشانی جریان است. اگر صحنه از قبل به‌صورت یک YouTube live یا جریان صوتی پخش می‌شود، همان لینک را وارد کنید و VocalStack خودش صدا را می‌گیرد؛ هیچ چیزی در سمت شما اجرا نمی‌شود. نشانی خود جریان را وارد کنید، نه صفحه‌ای را که در آن پخش می‌شود. اگر به اشتباه صفحهٔ وب را وارد کنید، داشبورد به شما خبر می‌دهد.
در هر حال، برای هر صحنه یک خوراک میکروفون به کار ببرید. میکروفون‌های حاضران و هم‌پوشانی صداها دقتی را از بین می‌برند که هیچ تنظیمی جبرانش نمی‌کند. بهترین میکروفونِ ساختمان متعلق به آن عضو پنلی است که مدام از آن دور می‌شود.
وقتی صدا می‌رسد، شرکت‌کنندگان به جایی برای خواندن زیرنویس‌ها نیاز دارند.
پخش همان لینکی است که شرکت‌کنندگان باز می‌کنند. آن را در بخش Broadcasts بسازید، نامی به آن بدهید و لینکش را انتخاب کنید. داشبورد بر اساس نام، لینکی پیشنهاد می‌دهد؛ می‌توانید آن را ویرایش کنید، به شرطی که دست‌کم 6 نویسه داشته باشد. همان صفحه کد QR را نشان می‌دهد که شرکت‌کنندگان اسکن می‌کنند تا ترجمهٔ زنده را باز کنند و زبان خود را انتخاب کنند.
همین حالا تصمیم بگیرید پخش عمومی باشد یا خصوصی. عمومی یعنی هر کسی که لینک را داشته باشد می‌تواند آن را باز کند. خصوصی یعنی شرکت‌کنندگان پیش از نمایش متن، یک رمز عبور کوتاه وارد می‌کنند. اگر بعداً لازم شد لینک تغییر کند، آن را عوض کنید؛ لینک قدیمی همچنان کار می‌کند.
بعد به این فکر کنید که لینک چطور به هزار جیب برسد. پیش از هر نشست، کد QR را روی اسلاید انتظار، روی تابلوهای ورودی سالن و روی کارت آویز گردن، اگر وجود داشته باشد، قرار دهید. صدها تلفن که همزمان وصل می‌شوند بار واقعی روی Wi-Fi محل برگزاری می‌گذارند، پس از مدیریت محل بپرسید نقاط دسترسی برای چه تعدادی طراحی شده‌اند و آیا شبکهٔ مهمان سرعت هر دستگاه را محدود می‌کند. اگر پاسخ شانه بالا انداختن بود، به شرکت‌کنندگان بگویید از اینترنت موبایل استفاده کنند. صفحه‌ها کوچک‌اند؛ ریسک Wi-Fi است.
کنفرانسی با دو صحنه به دو لینک نیاز ندارد. یک پخش می‌تواند همزمان از چند رونویسی زنده تغذیه شود. صحنهٔ A و صحنهٔ B تبدیل می‌شوند به دو رونویسی که به یک پخش متصل‌اند و تلفن شرکت‌کننده هر دو را در یک صفحه نشان می‌دهد. هر صحنه رونویسی زندهٔ جدای خودش است و هر طرح محدود می‌کند که چند رونویسی همزمان اجرا شوند (1 در پرداخت به‌ازای مصرف، 5 در Premium، نامحدود در Enterprise). این محدودیت در بخش بودجه در ادامه دوباره مطرح می‌شود.
ارزش یک لینک به متنی است که پشتش قرار دارد.
در هر سیستمی، بازشناسی زنده روی نام‌ها، اصطلاحات محصول و اختصارها دچار لغزش می‌شود. پیش از شروع، متن یا اسلایدهای هر سخنران را اضافه کنید؛ نام‌ها و اصطلاحاتی که در آن‌ها هستند بر آنچه موتور فکر می‌کند شنیده، اولویت دارند. در طول سخنرانی، تب Script مثل یک تله‌پرامپتر کلمات را دنبال می‌کند.
این هم لحظهٔ آن است که صادقانه دربارهٔ ماهیت زیرنویس ماشینی حرف بزنیم. بازشناسی گفتار به‌علاوهٔ ترجمهٔ ماشینی، CART نیست (Communication Access Realtime Translation؛ یعنی زیرنویسِ تایپ‌شدهٔ زنده توسط زیرنویس‌گذارِ انسانیِ آموزش‌دیده) و ترجمهٔ شفاهی هم نیست. سریع، ارزان و خستگی‌ناپذیر است، و گهگاه نقیض یک جمله را وارونه می‌کند، عددی را گرد می‌کند یا یک شوخی را به یک واقعیتِ قطعی ترجمه می‌کند. برای یک سخنرانی کلیدی، یک نشست محصول یا یک پنل، این معامله معمولاً درست است. برای نشستی که یک کلمهٔ اشتباه پیامدهای جدی دارد (حقوقی، پزشکی، یک رأی‌گیری)، یک زیرنویس‌گذار یا مترجم انسانی رزرو کنید و ماشین را کنارش به‌عنوان سند نوشتاری اجرا کنید. مبنای دسترس‌پذیری را هم بد نیست بدانید: WCAG 2.x زیرنویس برای صدای زنده را در سطح AA (معیار 1.2.4) می‌خواهد و شمار فزاینده‌ای از قراردادهای بخش عمومی و محل‌های برگزاری، همین را صریحاً ذکر می‌کنند.
وقتی متن‌ها مشخص شد، آخرین آمادگی به این مربوط است که چه کسی آن‌ها را می‌گوید.
برچسب گوینده به مخاطبان نشان می‌دهد چه کسی صحبت می‌کند. کلید را روی When Needed بگذارید تا برچسب‌ها فقط وقتی ظاهر شوند که گوینده‌ی دوم شنیده شده باشد؛ به این ترتیب یک سخنرانی کلیدی مثل متن ساده خوانده می‌شود و یک پنل مثل گفتگو.
برای اینکه سخنرانان از خط اول با نام شناخته شوند، صدایشان را از قبل زیر بخش Voices ثبت کنید. یک کلیپ از صحبت یک نفر کافی است: MP3، M4A یا WAV، دست‌کم 30 ثانیه، هرچند چند دقیقه بهتر است. آن شخص باید موافقت کرده باشد و داشبورد پیش از ساختن صدا از شما می‌خواهد تأیید کنید که اجازه دارید. این را بیشتر از یک کادر تیک بدانید. طبق GDPR، اثر صوتی که برای شناسایی یک شخص به کار می‌رود معمولاً داده‌ی بیومتریک تلقی می‌شود (ماده 9). یعنی رضایت صریح و حق حذف اثر صوتی. قواعد مشابهی در جاهای دیگر هم وجود دارد و توافق‌نامه‌های سخنرانان ساده‌ترین جا برای پوشش دادن آن است. یک صدای شبیه‌سازی‌شده را هر زمان می‌توان حذف کرد. تا وقتی که وجود دارد، شنوندگان می‌توانند ترجمه‌های آن سخنران را با همان صدا بشنوند.
وقتی طرح مشخص شد، بقیه‌اش همان خود روز است.
هر رونویسی زنده یک تب Speed دارد که حالت تأخیر و نموداری از تأخیر در طول زمان را نشان می‌دهد. سه تنظیم وجود دارد:
برای یک سخنرانی کلیدی با متن از پیش‌نوشته و خوراک تمیز میز، Auto مناسب است؛ برای یک پنل فنی با 4 لهجهٔ مختلف و بدون متن، Accuracy ارزش تأخیر بیشتر را دارد.
زمان راه‌اندازی هم زمان دیگری است که باید برایش برنامه‌ریزی کنید. در پرداخت به‌ازای مصرف، راه‌اندازی سرد می‌تواند تا 15 ثانیه طول بکشد پیش از آنکه رونویسی آغاز شود. Premium معمولاً گرم شروع می‌کند و Enterprise همیشه گرم شروع می‌کند. دکمهٔ شروع را هنگام ورود سخنران فشار دهید، نه روی کلمهٔ اول.
هر حالتی که باشد، برخی کلمات اشتباه خواهند بود، پس باید کسی مراقب باشد.
کسی پشت میز باید تب Fix را باز نگه دارد. این تب دو کلید دارد: Mark uncertain words کلماتی را که موتور در آن‌ها مطمئن نبوده رنگی و زیرخط‌دار می‌کند، و Click to correct با کلیک روی یک خط، آن را برای بازبینی باز می‌کند. این تب بخش‌های نامطمئن را یکی‌یکی با شما مرور می‌کند و هر اصلاح به هر شنونده‌ای در هر زبانی می‌رسد.
میکروفون حاضران حلقهٔ ضعیف هر سالن است و بخش پرسش‌وپاسخ جایی است که این ضعف آشکار می‌شود. از مجری بخواهید پیش از پاسخ، هر پرسش حاضران را با میکروفون خودش تکرار کند. زیرنویس‌ها از او تشکر می‌کنند، و ردیف‌های عقب هم که آن را نشنیده‌اند، همین‌طور.
میان نشست‌ها، میز وظیفهٔ دیگری دارد.
صفحهٔ میزبان می‌تواند یک ضبط را متوقف و دوباره آغاز کند، و صفحهٔ شنونده این اعلان را نشان می‌دهد: «Paused. The transcript continues when the host resumes.» این توقف برای تعویض نشست است، نه برای وقفهٔ ناهار. هر ضبط یک حداکثر زمان توقف دارد که در داشبورد روی 30 ثانیه، 1 دقیقه یا 3 دقیقه تنظیم می‌شود؛ ضبطی که بیشتر از این مدت متوقف بماند، خودبه‌خود پایان می‌یابد.
برای فاصلهٔ طولانی‌تر، ضبط را متوقف کنید و وقتی نشست بعدی شروع می‌شود، ضبط تازه‌ای آغاز کنید. هر ضبط در صفحهٔ پخش فهرست می‌ماند، پس شرکت‌کنندگان بعدازظهر می‌توانند به نشست‌های صبح برگردند. یک ضبط زندهٔ واحد در پرداخت به‌ازای مصرف حداکثر چند ساعت است و در Premium بیشتر (ارقام دقیق در صفحهٔ قیمت‌گذاری آمده است)، پس یک روز طولانی در هر صورت از چند ضبط تشکیل می‌شود.
نیمه‌های صبح، بررسی کنید واقعاً چه کسانی دارند می‌خوانند.
نمای مخاطبان در تب Broadcast نشان می‌دهد چه کسانی حضور دارند، هم‌اکنون چند نفر گوش می‌دهند، چه زبان‌هایی را باز کرده‌اند و شنوندگان در طول زمان چگونه بوده‌اند. هر رونویسی تا 10 زبان را شامل می‌شود و هر شنونده زبان خودش را روی دستگاه خودش انتخاب می‌کند. پس این نما به شما می‌گوید حاضران واقعاً کدام زبان‌ها را می‌خوانند، که به‌ندرت همان فهرستی است که برگزارکنندگان حدس زده بودند. معلوم شد نمایندگانی که از مادرید ثبت‌نام کرده بودند انگلیسی می‌خوانند؛ ردیف پرتغالی از جایی پر می‌شود که هیچ‌کس انتظارش را نداشت. این فهرست را برای سال آینده نگه دارید.
هیچ‌کدام از آن شنوندگان هزینه ندارند. آنچه پول می‌برد صدا است.
رونویسی زنده به‌ازای هر ساعت صدا $0.60 است، هر ثانیه صورت‌حساب می‌شود با حداقل 5 دقیقه برای هر رونویسی، در همهٔ طرح‌ها و از طریق API. دو صحنه که هرکدام 8 ساعت کار کنند، 16 ساعت صدای زنده می‌شود، یعنی $9.60. ترجمه، پخش، خلاصه‌ها و خروجی‌ها شامل می‌شوند، هر تعداد شنونده‌ای که داشته باشید.
طرح روی ظرفیت اثر دارد، نه روی نرخ. پرداخت به‌ازای مصرف $5 اعتبار ثبت‌نامِ یک‌باره می‌دهد بدون نیاز به کارت، یک رونویسی در هر لحظه و ضبط حداکثر 5 ساعته. یک رونویسی زنده بلافاصله پس از رسیدن اعتبار به صفر متوقف می‌شود، پس پیش از باز شدن درهای سالن اعتبار را شارژ کنید. Premium ماهانه $50 است ($40 در ماه با طرح سالانه) و هر ماه $50 اعتبار شامل می‌شود که 83 ساعت زنده را پوشش می‌دهد. امکان 5 رونویسی همزمان و ضبط‌های 10 ساعته را می‌دهد و یک دورهٔ مهلت هم دارد: رونویسی زنده پس از صفر شدن اعتبار مدتی ادامه می‌یابد و دقیقه‌های اضافه با همان نرخ صورت‌حساب می‌شوند. دو صحنهٔ موازی به Premium نیاز دارند. Enterprise قیمت‌گذاری سفارشی، هم‌روندی نامحدود، ضبط‌های 24 ساعته و یک مجموعهٔ موتور اختصاصی دارد.
جدول کامل را در صفحهٔ قیمت‌گذاری ببینید و هفتهٔ قبل، موجودی خود را در داشبورد زیر Billing بررسی کنید.
صورت‌حساب با توقف صدا متوقف می‌شود؛ متن اما متوقف نمی‌شود.
متن‌های رونویسی در پرداخت به‌ازای مصرف 30 روز نگه‌داری می‌شوند و در Premium و Enterprise بدون محدودیت. در پرداخت به‌ازای مصرف، صدای منبع فقط 7 روز نگه‌داری می‌شود. اگر در طرح رایگان هستید، ظرف همان هفته خروجی بگیرید.
برای دیدن شکل لینک از دید شرکت‌کننده، یک لینک، همهٔ زبان‌ها را ببینید، یا دموی زنده را در صفحهٔ اصلی امتحان کنید.
