رونویسی و ترجمهی بیدرنگ توضیح داده شده: گفتار به متن زنده چطور کار میکند، چقدر عقب است، چه چیزی بر دقت اثر میگذارد و هزینهاش چقدر است.
رونویسی بیدرنگ گفتار را در همان حالی که فرد هنوز صحبت میکند به متن تبدیل میکند. کلمات لحظاتی پس از گفته شدن روی صفحه ظاهر میشوند، در سطرهای نهایی مینشینند و هر کسی که دنبال میکند میتواند بخواندشان. ترجمهی بیدرنگ را هم اضافه کنید و هر خواننده میتواند همان گفتار را به زبان خودش، بهصورت متن یا بلند خواندهشده، دنبال کند.
این راهنما رونویسی و ترجمهی بیدرنگ را از هر دو طرف بررسی میکند: شنونده چه میبیند، صدا از کجا میتواند بیاید، چه چیزی دقت را تعیین میکند، توسعهدهندهها از API چه میگیرند و هزینه چقدر است.
رونویسی بیدرنگ، که رونویسی زنده یا گفتار به متن زنده هم نامیده میشود، تشخیص گفتاری است که در حالی اجرا میشود که صدا هنوز میرسد. یک فایل ضبطشده را میشود با تمام ضبط در دست رونویسی کرد. رونویسی زنده باید فقط با چند ثانیهی اخیر روی کلمات تعهد کند و تا هر مدت که گوینده صحبت میکند همگام بماند.
زیرنویس زنده همان چیز است که بهصورت سطرهای کوتاه روی ویدیو یا روی یک صفحه نشان داده میشود.
در VocalStack یک رونویسی زنده میتواند به 100 زبان گوش دهد. زبان گفتاری را خودش تشخیص میدهد و اگر گوینده زبان را عوض کند دنبالش میرود، که تشخیص خودکار زبان چطور کار میکند توضیح میدهد، بههمراه اینکه کی باید زبان را از پیش نام برد.
متن در دو مرحله میرسد. جدیدترین کلمات اول بهصورت پیشنویس ظاهر میشوند، که با رسیدن صدای بیشتر هنوز میتواند عوض شود. لحظهای بعد پیشنویس در یک سطر نهایی مینشیند که دیگر تغییر نمیکند.
پیشنویس هست چون تشخیصدهنده یک کلمه را تا حدی بر اساس آنچه بعدش میآید تعیین میکند. «Ice cream» و «I scream» تا رسیدن کلمهی بعدی یکسان به گوش میرسند. نشان دادن زودهنگام حدس همان چیزی است که رونوشت را زنده حس میکند.
اینکه متن چقدر از گوینده عقب است به مرحله بستگی دارد:
دو تأخیر بیرون از این زنجیره قرار دارند. وقتی منبع یک پخش عمومی است نه میکروفون، خود پخش از لبهی زندهاش عقب است: یک تا سه ثانیه برای پخش سادهی رادیوی اینترنتی، و از چند ثانیه تا نیم دقیقه برای HLS. و در پرداخت بهازای مصرف، شروع یک رونویسی زنده ممکن است تا 15 ثانیه طول بکشد. تفکیک کامل، از جمله حالتهای تأخیر Auto، Fast و Accuracy، در تأخیر ترجمهی زنده، توضیح دادهشده آمده است.
ترجمه روی رونوشت اجرا میشود. یک رونویسی زنده را میشود همزمان تا 10 زبان ترجمه کرد، انتخابشده از میان 100. هر شنونده یکی از آنها را روی دستگاه خودش انتخاب میکند و میتواند هر زمان تغییرش دهد؛ رونوشت تا اینجا به زبان جدید دوباره نشان داده میشود.
هر زبان از همان رونوشت ترجمه میشود، پس هر شنونده همان کلمات را میگیرد و یک اصلاح به همهشان میرسد.
شنوندهای که ترجیح میدهد گوش کند تا بخواند میتواند هر سطر ترجمهشده را بلند خوانده بگیرد. بهطور پیشفرض هر گوینده یک صدای استاندارد متمایز متناسب با جنسیتش میگیرد، پس یک میزگرد همچنان مثل چند نفر به گوش میرسد. با رضایت یک گوینده، مجری میتواند صدای او را از حدود 30 ثانیه صحبت تنهایش کلون کند، و ترجمه بعد با صدای خودش خوانده میشود.
قاعدهی صداها عمداً محدود است. یک صدا فقط آنچه را که همان شخص گفته میخواند، ترجمهشده به زبانی که شنونده انتخاب کرده است. هرگز متنی را که کسی تایپ میکند نمیخواند، و هرگز کلمات یک گوینده را با صدای گویندهی دیگر نمیخواند.
اینکه این برای کل یک سالن، از راهاندازی مجری تا شنوندهی دیرآمده، چطور کار میکند در یک لینک، همهی زبانها آمده است.
یک رونویسی زنده به منبع صدا نیاز دارد. اینها منابعیاند که VocalStack امروز میپذیرد:
زیرنویس درون پخشکنندهی خود YouTube، از طریق دکمهی CC، بهزودی میآید. تا آن زمان، بینندگان یک پخش YouTube زیرنویسها را روی لینک پخش دنبال میکنند.
اگر همین امروز به رونویسی زنده روی Windows نیاز دارید، افزونهی Chrome یا Edge، افزونهی OBS و داشبورد در مرورگر آنجا کار میکنند.
پخش راهی است که دیگران یک رونویسی زنده را دنبال میکنند. یک لینک و یک کد QR است. شنوندهها آن را در مرورگر باز میکنند، زبانی انتخاب میکنند و میخوانند. به حساب نیاز ندارند، چیزی نصب نمیکنند و هزینهای اضافه نمیکنند: صورتحساب با تعداد شنوندهها یا زبانها تغییر نمیکند.
پخش بهطور پیشفرض عمومی است و میشود با رمز عبور محافظتاش کرد. اگر نام لینکش را عوض کنید، لینک قدیمی همچنان کار میکند، پس کد QR چاپشده روی یک برنامه کهنه نمیشود. یک پخش میتواند چند رونویسی زنده را حمل کند، پس دو صحنه میتوانند یک لینک را بهاشتراک بگذارند.
شنوندهای که دیر میرسد همهی چیزهایی را که پیش از آمدنش گفته شده میبیند، بعد زنده دنبال میکند. پس از آن، نمای Audience نشان میدهد چه کسی گوش داده، به چه زبانی و چه زمانی پیوسته است.
برای رویدادها، فهرست کنفرانس چندزبانه صدا، صحنهها و بودجه را پوشش میدهد، و رونویسی زنده برای کلیساها، سالنهای سخنرانی و تالارهای شورا نسخهی هفتگی همین راهاندازی را پوشش میدهد.
همهی آنچه بالاست از کد هم شدنی است. برای صدای زنده در برنامهی خودتان، API نشستهای realtime دارد: سرور شما با یک کلید API یک فراخوانی به POST /v1/realtime/sessions میزند و یک streamUrl کوتاهعمر پس میگیرد. کلاینت شما یک WebSocket به آن باز میکند، صدای خام را همانطور که ضبط میشود میفرستد و رونوشت را بهصورت فریمهای JSON پس میخواند.
فریمها از همان دو مرحلهای که خواننده میبیند پیروی میکنند. transcript.draft دنبالهی زنده را جایگزین میکند، transcript.committed یک سطر نهایی اضافه میکند، و با ترجمهی روشن، جملههای کامل همراه ترجمههایشان میرسند. زبانهای مقصد، برچسب گوینده و حالت تأخیر را میشود وسط نشست با session.update تغییر داد.
نشست realtime چیزی ذخیره نمیکند. وقتی میخواهید کلمات نگه داشته، اصلاح و با مخاطبان به اشتراک گذاشته شوند، بهجایش صدا را به یک رونویسی زنده و یک پخش منتشر میکنید. SDKهای رسمی برای TypeScript، Python و PHP هر دو را بستهبندی میکنند، و یک سرور MCP به دستیار هوش مصنوعی اجازه میدهد از همان حساب استفاده کند.
آموزش WebSocket گامبهگام یک نمای زیرنویس کارا میسازد، و مرجع API هر فیلد را دارد. استفاده از API با همان نرخ داشبورد محاسبه میشود.
دقت بیشتر پیش از اجرای هر تشخیصدهندهای، با صدایی که به آن داده میشود تعیین میشود. چهار چیز بیشترین تفاوت را میسازند.
میکروفون. میکروفونی نزدیک گوینده، یا فیدی از میز میکس محل، صدا را با کمی از سالن در آن میرساند. گوشی روی میز گوینده را بهعلاوهی پژواک، صندلیها و سرفهها میشنود. این بزرگترین عامل منفرد است و چرا گوشی برای یک سالن کافی نیست دلیلش را توضیح میدهد.
نویز و همپوشانی. نویز پسزمینه باعث افتادن کلمات و ساخته شدن کلمات میشود، و دو نفری که همزمان صحبت میکنند هم کلمات و هم اینکه چه کسی گفته را مخدوش میکنند. خطاهای رونویسی صدا هفت علت رایج را فهرست میکند، اینکه هر کدام چه شکلی است و چطور درست میشود.
اسکریپت مرجع. نامها و اصطلاحات شناختهشده همانطور که هستند شناخته میشوند. نام محصولات یک شرکت، یک اختصار داخلی یا نام خانوادگی غیرمعمول یک مهمان را نمیشود از پیش دانست، پس پیش از شروع یک اسکریپت یا اسلایدها را اضافه کنید، و نامها و اصطلاحات آنها دقیقاً همانطور که نوشتهاید نوشته میشوند.
برچسب گوینده. برچسبها میتوانند Off، On یا When Needed باشند، که با شنیده شدن گویندهی دوم روشنشان میکند. تفکیک گوینده در برابر تشخیص گفتار توضیح میدهد این دو پاسخ، یعنی چه گفته شد و چه کسی گفت، چطور جدا هستند و جدا اصلاح میشوند.
حالت تأخیر هم مهم است: Fast متن را زودتر بیرون میدهد اما بیشترش را بازنگری میکند، Accuracy کمی بیشتر صبر میکند.
یک عدد دقت کمتر از آنچه به نظر میرسد میگوید. نرخ خطای کلمه یک نام اشتباه را مثل یک «the» افتاده میشمارد، به همین دلیل نرخ خطای کلمه چه چیزی را میسنجد و چه چیزی را از دست میدهد از قضاوت یک سیستم بر اساس اینکه کدام خطاها را به شما اجازهی گرفتن و اصلاح میدهد دفاع میکند.
هیچ رونوشت زندهای کامل نیست، پس صفحهی مجری یک زبانهی Fix دارد. میتواند کلماتی را که تشخیصدهنده مطمئن نبود علامت بزند، و هر سطر را میشود باز و اصلاح کرد. نفر دومی پشت میز میتواند همانها را بررسی کند در حالی که گوینده ادامه میدهد.
وقتی مجری یک کلمه یا سطر را بازنویسی میکند، حتی سطری که هنوز گفته میشود، هر شنونده اصلاح را به هر زبان میبیند. سطری که با اطمینان بسیار کم شنیده شده بهجای نمایش نادرست، بهصورت «Audio unclear» از شنوندهها پنهان میشود؛ مجری هنوز آن را میبیند.
ضبط با رونوشت، اصلاحات و ترجمههایش نگه داشته میشود. بعد میتوانید:
اینکه صدا و رونوشتها تا کی نگه داشته میشوند به طرح بستگی دارد، و صفحهی قیمتها آن را فهرست میکند.
بیشتر ابزارهای رونویسی زنده در دمو شبیه هماند؛ تفاوتها در پرسشهای زیر نمایان میشود. ستون سمت راست VocalStack را آنطور که امروز است توصیف میکند.
| پرسش | چرا مهم است | VocalStack |
|---|---|---|
| چه زبانهایی را میتواند بشنود؟ | ابزاری که نتواند زبان گوینده را رونویسی کند کمکی نمیکند، ترجمهاش هرچقدر هم خوب باشد. | 100 زبان، تشخیص خودکار، با تعویض وسط صحبت |
| متن چقدر از گوینده عقب است؟ | خوانندهها فاصلهی روبهرشد را بیشتر از یک کلمهی اشتباه گاهبهگاه حس میکنند. | متن اصلی کسری از ثانیه عقب، ترجمه یکی دو ثانیه بعد؛ سه حالت تأخیر |
| ترجمه میکند، و چه کسی زبان را انتخاب میکند؟ | یک زبان زیرنویس روی یک صفحه بقیه را کنار میگذارد. | تا 10 زبان برای هر رونویسی، هر شنونده زبان خودش را انتخاب میکند |
| میتواند ترجمه را بگوید؟ | بعضی شنوندهها نمیتوانند همراه بخوانند یا ترجیح میدهند نخوانند. | صداهای استاندارد بهطور پیشفرض؛ صدای کلونشدهی خود گوینده با رضایت او |
| مخاطبان چطور آن را میگیرند؟ | برنامهها و حسابها مردم را دم در از دست میدهند. | یک لینک و کد QR، بدون حساب، رمز اختیاری |
| میشود اشتباهها را زنده اصلاح کرد؟ | نامی که یک ساعت اشتباه تکرار شود آسیب واقعی میزند. | اصلاحهای زنده برای هر شنونده فرستاده میشود |
| صدا از کجا میتواند بیاید؟ | راهاندازی شما نباید برای جور شدن با ابزار عوض شود. | میکروفون، افزونههای مرورگر، برنامهی دسکتاپ، OBS، RTMP، لینک پخش |
| API دارد؟ | شاید بخواهید زیرنویس را درون محصول خودتان داشته باشید. | API ی REST و WebSocket، SDKها، سرور MCP، همان نرخ داشبورد |
| قیمتگذاری چطور است؟ | قیمت بهازای شنونده یا صندلی با رشد مخاطبانتان بالا میرود. | بهازای ثانیهی صدا؛ شنوندهها و زبانها رایگان |
در VocalStack بهازای هر ثانیه صدای رونویسیشده پول میدهید. در زمان نگارش، رونویسی زنده $0.60 در ساعت است و فایلها $0.20 در ساعت، در هر طرح، هم در داشبورد و هم از طریق API. ترجمه، صداها، خلاصهها، پخش و شنوندهها هرگز به صورتحساب اضافه نمیکنند، پس یک سخنرانی یکساعتهای که 200 نفر به پنج زبان بخوانند همان $0.60 را هزینه دارد که سخنرانیای که هیچکس نخواند.
طرحها در چند چیز فرق دارند:
اگر هیچکس لازم نیست همزمان با اتفاق افتادن بخواند، ضبط را بعداً با نرخ فایل بارگذاری کنید. قیمتهای فعلی، مدت نگهداری و محدودیتهای هر طرح در صفحهی قیمتها است.
یک حساب جدید VocalStack با $5 اعتبار ثبتنام میآید و کارت نمیخواهد. با $0.60 در ساعت، این حدود هشت ساعت رونویسی زنده است، با ترجمه و پخش شامل. بعد از آن بهازای ثانیه پرداخت میکنید. شنوندهها همیشه رایگاناند.
بله. یک رونویسی زنده را میشود همزمان با صحبت فرد تا 10 زبان ترجمه کرد. ترجمه یکی دو ثانیه پس از متن اصلی ظاهر میشود و هر شنونده زبان خودش را انتخاب میکند.
بیشتر به صدا بستگی دارد. میکروفون نزدیک یا فید از میز، نویز کم پسزمینه، هر بار یک نفر صحبت کردن و یک اسکریپت مرجع که نامها در آن است بهترین نتیجه را میدهد. اصلاحهای زنده به مجری اجازه میدهند آنچه هنوز اشتباه است را در حین ادامهی سخنرانی درست کند.
متن زبان اصلی کسری از ثانیه از گوینده عقب است و ترجمهها یکی دو ثانیه بعد میرسند. یک پخش عمومی پیش از رسیدن صدا به VocalStack تأخیر خودش را اضافه میکند.
بله، از طریق افزونهی Chrome یا Edge، افزونهی OBS Studio یا داشبورد در مرورگر. برنامهی دسکتاپ امروز روی macOS است و Windows بهزودی میآید.
نه. شنوندهها لینک پخش را باز میکنند یا کد QR آن را در مرورگر اسکن میکنند، زبانی انتخاب میکنند و میخوانند. چیزی برای نصب نیست.
داشبورد را باز کنید، یک رونویسی زنده با میکروفونتان شروع کنید و لینک پخش آن را روی گوشیتان باز کنید. اعتبار ثبتنام ساعتهای اولتان را پوشش میدهد و میتوانید خودتان ببینید پیشنویسها مینشینند و ترجمه دنبالشان میآید.