اتاق چندزبانه به یک غرفه برای هر زبان نیاز ندارد. به یک جریان صوتی تمیز از میز صدا نیاز دارد، به یک لینک که مخاطبان روی تلفن‌های خودشان باز می‌کنند، و به راهی برای اصلاح نامی که هنگام ادامه‌ی سخنرانی اشتباه شنیده شده است.
یک سخنرانی، یک مراسم، یک درس یا یک جلسه‌ی شورای شهر یک گوینده دارد و مخاطبانی که همه به آن زبان فکر نمی‌کنند. پاسخ‌های معمول یا گران‌اند، یا ناقص‌اند، یا خصوصی.
پاسخ گران، مترجم شفاهی برای هر زبان است. حتی با یک مترجم برای هر زبان، این یعنی یک اتاقک مترجمی، مجموعه‌ای از گیرنده‌ها و یک متخصص برای هر زبانِ حاضر در سالن، و متخصص‌ها هم لزوماً یک چیز نمی‌گویند. هر مترجم زیر فشار زمان انتخاب‌های خودش را می‌کند: برای یک اصطلاح از کدام واژه استفاده کند، چه چیزی را فشرده کند، و وقتی گوینده تندتر صحبت می‌کند چه چیزی را کنار بگذارد. در یک سخنرانی معمولی این تفاوت‌ها چندان مهم نیستند. در یک جلسه‌ی دادرسی، رأی‌گیری شورا یا یک توجیه فنی مهم می‌شوند: یک اصطلاح تعریف‌شده، یک دوز دارو یا یک بند قرارداد ممکن است برای شنوندگان فرانسوی یک معنا برساند و برای شنوندگان عربی معنای دیگری، و هیچ‌کس در سالن در موقعیتی نیست که این را تشخیص دهد. پاسخ ناقص یک زیرنویس روی یک صفحه است، آن هم فقط به یک زبان دوم. پاسخ خصوصی این است که پنجاه تلفن را رو به سالن بگیرید: پنجاه رونوشت کمی اشتباه، که هر تلفن پژواک و سرفه را به همان وضوحِ صدای گوینده می‌شنود.
راه دیگر این است که گوینده را یک‌بار از یک منبع تمیز رونویسی کنیم، آن رونوشت واحد را به هر زبانی که مخاطبان لازم دارند ترجمه کنیم، تا همه‌ی زبان‌ها از همان واژه‌ها شروع کنند، و هر شنونده روی دستگاه خودش زبانش را انتخاب کند. ضبط پس از پایان رویداد نگه داشته می‌شود. در ادامه می‌بینید میزبان و شنونده هرکدام چطور راه‌اندازی می‌کنند و هزینه‌اش چقدر است.
یک رونویسی زنده می‌تواند صدا را از میکروفون هر دستگاهی بشنود، از یک جریان RTMP از OBS یا هر انکودر دیگری که نشانی سرور و کلید استریم می‌گیرد، از یک پخش زنده‌ی YouTube، از یک ایستگاه رادیویی اینترنتی یا از هر نشانی‌ای که یک استریم ارائه می‌کند. برای استریم، VocalStack خودش صدا را دریافت می‌کند؛ هیچ‌چیزی در سمت شما اجرا نمی‌شود.
منبع از هر تنظیمی مهم‌تر است. یک میکروفون اتاق، یا یک تلفن روی میز، گوینده را به‌همراه اتاق می‌شنود: پژواک دیوارها، صندلی‌ها، حاضران. تشخیص گفتار با کم‌شدن صدای گوینده نسبت به این نویز به شدت افت می‌کند، و به همین دلیل آن پنجاه تلفن با هم اختلاف دارند. خوراکی که از میز میکس گرفته می‌شود میکروفون خود گوینده را با کمترین سهمی از اتاق منتقل می‌کند، پس رونوشت دنبال گوینده می‌رود، نه اتاق. اگر محل برگزاری میز میکس دارد، خوراک را از همان‌جا بگیرید.
زبان گفتار به‌طور خودکار تشخیص داده می‌شود و گوینده ممکن است هر لحظه زبان را عوض کند؛ نام بردنِ زبان از پیش، به ضبط‌های پرنویز و لهجه‌های غلیظ کمک می‌کند. برچسب گوینده‌ها می‌تواند خاموش، روشن یا When Needed باشد، که وقتی گوینده‌ی دوم شنیده شود آن را روشن می‌کند. وقتی صدا وارد شد، شنوندگان باید جایی برای پیدا کردنش داشته باشند.
یک پخش همان لینک است: یک نشانی و یک کد QR که شنوندگان اسکن می‌کنند تا ترجمه‌ی زنده را باز کنند و زبان خود را انتخاب کنند. لینک از نامی ساخته می‌شود که به پخش می‌دهید. اگر بعداً نامش را تغییر دهید، لینک قبلی همچنان کار می‌کند، پس کد QRای که روی برنامه چاپ شده از کار نمی‌افتد.
پخش به‌طور پیش‌فرض عمومی است: هر کسی که لینک را داشته باشد می‌تواند آن را باز کند. اگر پخش را خصوصی کنید و رمز عبور بگذارید، از شنوندگان پیش از نمایش رونوشت، رمز خواسته می‌شود.
یک پخش می‌تواند از چند رونویسی زنده تغذیه شود، پس یک کنفرانس با دو سالن همچنان یک لینک مشترک دارد. لینک مردم را وارد می‌کند؛ آنچه آن‌ها را نگه می‌دارد، درست بودن نام‌هاست.
بازشناس‌های گفتار با نحوه‌ی معمول صحبت کردن مردم آموزش دیده‌اند، پس وقتی صدایی مبهم است، سراغ واژه‌ی رایج می‌روند. یک نام محصول، یک نام خانوادگی، یک روستا یا یک ماده‌ی شیمیایی هرکدام هم‌آوای نزدیک و پربسام‌تری دارند، و همان چیزی نوشته می‌شود که شنیده شده، مگر اینکه به بازشناس گفته شود واژه‌ی نادر در راه است. کار اسکریپت همین است. پیش از شروع، یک اسکریپت یا اسلایدها اضافه کنید تا نام‌ها و اصطلاحات موجود در آن‌ها بر آنچه اشتباه شنیده شده غلبه کنند. همین نام‌ها و اصطلاحات معمولاً جاهایی‌اند که بازشناسی در یک سخنرانی تخصصی زمین می‌خورد. در طول ضبط، تب Script مانند پرامپتر دنبال گفتار می‌رود و کلماتی را که تاکنون گفته شده‌اند روشن می‌کند.
این کل راه‌اندازی است. آن سوی لینک، کار حتی کمتری لازم است.
شنونده به یک لینک یا کد QR و یک تلفن نیاز دارد. لینک را در مرورگر باز می‌کند و تا وقتی میزبان ضبط را فشار ندهد The broadcast hasn't started yet را می‌بیند؛ بعد Live. The first line appears in a moment. را می‌بیند. او از میان زبان‌هایی که میزبان انتخاب کرده (تا ۱۰ زبان برای هر رونویسی، از میان ۱۰۰ زبان موجود) یکی را برمی‌گزیند و رونوشت را همان‌طور که گوینده صحبت می‌کند می‌خواند. میزبان به زبان خودش ادامه می‌دهد. شنونده هر زمان بخواهد می‌تواند زبان را عوض کند؛ متنِ تاکنونی به زبان جدید دوباره نشان داده می‌شود.
اگر شنونده ترجیح می‌دهد گوش دهد، هر خط ترجمه‌شده با صدا خوانده می‌شود. به‌طور پیش‌فرض هر گوینده صدای آماده‌ی متمایزی با جنسیت هم‌خوان دارد، تا یک پنل همچنان مثل یک پنل به گوش برسد.
سه مرحله به ترتیب انجام می‌شوند و هرکدام منتظر مرحله‌ی قبل می‌ماند. بازشناسی برای اینکه بتواند واژه‌ها را قطعی کند به بخشی از گفتار نیاز دارد، پس رونوشت کسری از ثانیه عقب‌تر از گوینده می‌ماند. ترجمه به یک عبارت کامل نیاز دارد، چون ترتیب واژه‌ها بین زبان‌ها فرق دارد و پایان جمله می‌تواند آغاز آن را تغییر دهد، پس یک یا دو ثانیه بعد می‌آید. گفتار به جمله‌ی ترجمه‌شده نیاز دارد تا شروع شود، پس خط گفتاری در آخر می‌آید. هیچ‌کدام از این‌ها نقصی نیست که بخواهیم کوکش کنیم؛ این همان چیزی است که هر سامانه‌ای که این سه کار را انجام می‌دهد باید انجام دهد، از جمله یک مترجم انسانی که او هم منتظر فعل می‌ماند.
با اجازه‌ی گوینده، میزبان می‌تواند صدای او را از سی ثانیه صحبت کردنِ تنهای همان فرد (یک فایل MP3، M4A یا WAV؛ چند دقیقه بهتر است) شبیه‌سازی کند. ترجمه آنگاه در هر زبان با صدای خود گوینده خوانده می‌شود. صدا را داده‌ی زیستی‌سنجی بدانید، چون همین است. طبق GDPR، داده‌ی صوتیِ پردازش‌شده برای بازشناسی یک فرد معمولاً در دسته‌های ویژه‌ی ماده‌ی ۹ قرار می‌گیرد، و برخی ایالت‌های آمریکا، از جمله ایلینوی، «اثر صوتی» (voiceprint) را جداگانه تنظیم کرده‌اند. رضایت صریح گوینده را پیش از ضبط نمونه بگیرید، نه پس از آن؛ صدا را می‌توان هر زمان حذف کرد. شبیه‌سازی گوینده را هم ثبت می‌کند، پس در ضبط‌های آینده با نامش برچسب می‌خورد. میزبان می‌تواند به هر گوینده صدایی اختصاص دهد یا یکی از آن‌ها را بی‌صدا کند.
شنونده‌ای که دیر می‌رسد، هر آنچه پیش از ورودش گفته شده را می‌بیند و بعد زنده دنبال می‌کند. اگر اتصال قطع شود، صفحه پس از برگشتن اتصال خودبه‌خود جبران می‌کند. وقتی میزبان مکث کند، شنوندگان Paused. The transcript continues when the host resumes. را می‌بینند. وقتی میزبان متوقف کند، صفحه تاریخ و مدت ضبط را نشان می‌دهد و پخش فهرست ضبط‌های گذشته‌اش را برای بازپخش دارد.
شنونده فقط می‌تواند آنچه را موتور شنیده بخواند، و بازشناسی زنده بخشی از آن را اشتباه می‌فهمد.
صفحه‌ی میزبان یک تب Fix دارد، دقیقاً برای همین. Mark uncertain words واژه‌هایی را که موتور در آن‌ها مطمئن نبوده رنگی و زیرخط‌دار می‌کند، و Click to correct یک خط را برای بازبینی باز می‌کند. این تب بخش‌های نامطمئن را یکی‌یکی مرور می‌کند، تا یک نفر دیگر پشت میز بتواند در حالی که گوینده ادامه می‌دهد آن‌ها را بررسی کند.
وقتی میزبان واژه یا خطی را بازنویسی کند، حتی خطی را که هنوز در حال گفتن است، هر شنونده اصلاح را می‌بیند. خطی که اطمینانش خیلی پایین است، به‌جای نشان دادن اشتباه، برای شنوندگان به‌صورت Audio unclear پنهان می‌شود؛ میزبان همچنان همه‌ی واژه‌ها را می‌بیند. جای خالی یک شکاف شناخته‌شده است؛ واژه‌ی اشتباهِ مطمئن یک شایعه است.
این اصلاحات با پایان سخنرانی ناپدید نمی‌شوند.
همه‌چیز نگه داشته می‌شود. ضبط، رونوشت آن با اصلاحات و ترجمه‌ها، و صدا همگی به کتابخانه‌ی میزبان می‌روند. بازپخش، همان‌طور که رسیده، خط به خط و با صدایش پخش می‌شود. وقتی واژه‌ها قطعی شدند، یک عنوان و خلاصه به هر زبان نوشته می‌شود، و تب‌های Summary و Export در صفحه‌ی میزبان آن‌ها را مستقیم از رویداد بیرون می‌آورند.
خروجی‌ها زیرنویس SRT، PDF، Excel یا JSON هستند که اصلاحات و ترجمه‌ها را در خود دارند، و صدا به‌صورت MP3 دانلود می‌شود. هر رونوشت در هر زبانی قابل جست‌وجو است.
نمای Audience نشان می‌دهد چه کسی گوش داد، به کدام زبان، و چه زمانی پیوست: اغلب اولین شمارش واقعی‌ای که برگزارکننده از اینکه چه کسی به کدام زبان نیاز داشته به دست می‌آورد. تا آن زمان، تخمین معمول این بود که چه کسی دستش را بالا برده بود، وقتی به انگلیسی پرسیده شد آیا به ترجمه نیاز دارد. شناسه‌های شنوندگان همراه با ضبط حذف می‌شوند.
تشخیص گفتار، تشخیص گوینده و تولید صدا روی سرورهایی اجرا می‌شوند که خودمان اداره می‌کنیم، و صدای شما برای پردازش به هیچ شخص ثالثی فرستاده نمی‌شود. ما از صدا، رونوشت‌ها یا صداهای شما برای آموزش مدل‌ها استفاده نمی‌کنیم.
نگهداری از طرح پیروی می‌کند: در «طرح پرداخت به‌ازای مصرف»، صدای منبع و صداها ۷ روز و رونوشت‌ها ۳۰ روز نگه داشته می‌شوند؛ طرح‌های Premium و Enterprise آن‌ها را تا زمانی که حساب باقی است نگه می‌دارند. چیز دیگری که طرح تعیین می‌کند، صورت‌حساب است.
دو عدد مهم‌اند. در طرح‌های «پرداخت به‌ازای مصرف» و Premium، رونویسی زنده $0.60 به‌ازای هر ساعت صدا است، به‌صورت ثانیه‌ای با حداقل ۵ دقیقه برای هر رونویسی، هم در داشبورد و هم از طریق API. Enterprise نرخ حجمی دارد. شنوندگان و زبان‌ها رایگان‌اند: یک رویداد یک‌ساعته که به پنج زبان توسط دویست نفر خوانده می‌شود، $0.60 هزینه دارد. فایل‌ها ارزان‌ترند ($0.20 به‌ازای هر ساعت)، چون یک رونویسی زنده برای کل رویداد در زمان واقعی اجرا می‌شود. طرح‌ها در تعداد همزمانی، حداکثر طول ضبط و سرعت راه‌اندازی متفاوت‌اند؛ در طرح «پرداخت به‌ازای مصرف»، راه‌اندازی سرد می‌تواند تا ۱۵ ثانیه طول بکشد، پس ضبط را کمی پیش از گوینده بزنید، تقریباً به‌اندازه‌ی یک «صدای من را ردیف عقب می‌شنوید؟» زودتر. جدول کامل در صفحه‌ی قیمت‌گذاری است.
صفحه‌ی اصلی یک نمایش دو گوشی دارد، و یک حساب جدید در داشبورد با ۵ دلار اعتبار ثبت‌نام همراه است و به کارت نیاز ندارد. با نرخ زنده، این اعتبار بیش از هشت ساعت پخش را پوشش می‌دهد.
می‌خواهید بین این و ترجمه‌ی زنده‌ای که در تلفن همه هست تصمیم بگیرید؟ چرا تلفن برای یک اتاق کافی نیست را بخوانید. برای یک رویداد کامل، فهرست بررسی کنفرانس چندزبانه مسیر صدا، چند مرحله روی یک لینک و بودجه را پوشش می‌دهد. توسعه‌دهندگان می‌توانند همه‌ی این کارها را از کد و از طریق مرجع API، با همان نرخ، انجام دهند.
