دقت ترجمه‌ی زنده بیشتر پیش از اجرای هر مدل تعیین می‌شود و آن هم با این‌که میکروفون کجاست. صدا را از میز میکسر بگیرید، نه از یک صندلی در ردیف دوازدهم؛ یک‌بار رونویسی کنید، و هر اشتباه تبدیل می‌شود به یک خط که کسی می‌تواند برای همه درستش کند.
اپ‌های ترجمه‌ای که در گوشی‌ها تعبیه شده‌اند دستاورد واقعی‌ای هستند. آن‌ها اغلب مدل گفتاری‌ای را اجرا می‌کنند که آن‌قدر کوچک است که روی خود دستگاه و در باتری آن جا شود (برخی هم، وقتی اتصال هست، صدا را به یک سرور می‌فرستند)، و برای جمله‌های کوتاه، واضح و روزمره کارشان را انجام می‌دهند: پرسیدن مسیر، خواندن منو، یا یک گفت‌وگو پشت پیشخوان.
سالنی پر از آدم که به یک گوینده گوش می‌دهند مسئله‌ای دیگر است. چیزهایی که در گفتار واقعی خراب می‌شوند دقیقاً همان چیزهایی‌اند که مدل کوچک در آن‌ها از همه ضعیف‌تر است: کلمه‌های نامأنوس و اسم‌ها، کلمه‌های هم‌آوا («their» و «there»، «sail» و «sale»)، اصطلاحات فنی، لهجه‌ها، آدم‌هایی که روی حرف یک‌دیگر می‌پرند، و سروصدای پس‌زمینه. در یک باشگاه قایقرانی، مدلی که «sale» می‌شنود حدس معقولی زده و اشتباهی را با اطمینان کامل انجام داده است.
دو چیز باعث می‌شود مدل کوچک بیشتر از مدل بزرگ حدس بزند. اول، برای این‌که در گوشی جا شود فشرده شده است، پس کلمه‌های کمتری را می‌شناسد و راه‌های کمتری برای گفتن آن‌ها؛ یک نام خانوادگی را که قبلاً ندیده فقط از روی صداها تقریب می‌زند. دوم، بازشناسی زنده باید پیش از رسیدن بقیه‌ی جمله، کلمه‌ای را قطعی کند، پس مدل نمی‌تواند از چیزی استفاده کند که «sail» را از «sale» جدا می‌کرد: کلمه‌های بعدی، یا متنی که می‌گوید سخنرانی درباره‌ی چیست. در بازشناسی گفتار، «بافت» دقیقاً همین دو چیز است: کلمه‌های اطراف، و آنچه از پیش دانسته شده است.
وقتی مدل مطمئن نیست، حدس می‌زند. ترجمه‌ی بعدی روی آن حدس ساخته می‌شود و کسی که آن را می‌خواند هیچ راهی ندارد که بفهمد. هیچ‌کس در سالن نمی‌بیند که خطی اشتباه بوده، چه برسد به این‌که بتواند آن را درست کند. و سالن یک شنونده نیست؛ پنجاه شنونده است.
گوشی به گوینده گوش نمی‌دهد، به سالن گوش می‌دهد. علت فاصله است: یک میکروفون یقه‌ای یا رومیزی چند سانتی‌متر از دهان فاصله دارد، در حالی که گوشی در ردیف دوازدهم ده متر یا بیشتر دورتر است و بیشتر صدایی که به آن می‌رسد اول از دیوارها، سقف و پشتی صندلی‌ها برگشته است. صدای بازتاب‌شده دیر و کشیده می‌رسد. افزون بر این، گوشی سرفه‌ی آدمی دو ردیف عقب‌تر، زمزمه‌ی همسایه، و هر کاری را که بلندگوها با صدای سخنران در مسیر عبور از سالن می‌کنند هم دریافت می‌کند. پس هر صندلی ضبطی کمی متفاوت می‌گیرد و هر صندلی رونویسی کمی متفاوت.
گوشی هم فقط برای یک نفر ترجمه می‌کند. پنجاه شرکت‌کننده با پنجاه گوشی که بالا گرفته‌اند، پنجاه متن رونویسی مستقل از یک سخنرانی تولید می‌کنند، با پنجاه مجموعه‌ی متفاوت از اشتباه‌ها. دو نفر که بعداً یادداشت‌هایشان را مقایسه کنند، درباره‌ی این‌که چه گفته شده توافق نخواهند داشت. سخنران هم در همین حال رو به دیواری از گوشی‌های بالا رفته حرف می‌زند، و خواندن چنین جمعیتی برایش سخت است.
برای بعضی آدم‌های سالن این فقط یک ناراحتی نیست؛ تعیین می‌کند که اصلاً بتوانند سخنرانی را دنبال کنند. یک شرکت‌کننده‌ی کم‌شنوا، یا کسی که به زبان سومی دنبال می‌کند، به یک متن مشترک و درست نیاز دارد، نه پنجاه تلاش بهترین ممکن. یعنی باید گوینده را یک‌بار رونویسی کرد و به همه نتیجه‌ی یکسان داد. رونویسی یک‌باره فقط وقتی ارزش دارد که درست انجام شود، و درستی‌اش از همان‌جا شروع می‌شود که صدا از کجا می‌آید.
متن رونویسی فقط به اندازه‌ی صدایی است که از آن ساخته شده. پس نخستین تصمیم این نیست که از کدام مدل استفاده کنیم، بلکه این است که کدام سیگنال را به آن بدهیم. تصمیم دوم این است که پیش از شروع، به مدل چه بگوییم.
رونویسی زنده صدای خود را از هر جایی می‌گیرد که سیگنال تمیز از پیش آن‌جا باشد:
VocalStack خودش جریان یک نشانی‌ای را دریافت می‌کند، پس چیزی در سمت شما اجرا نمی‌شود. جریان RTMP برعکس عمل می‌کند: انکودر شما آن را ارسال می‌کند. زبان گوینده به‌طور خودکار تشخیص داده می‌شود و ممکن است هر لحظه زبانش را عوض کند. اگر زبان را می‌دانید و ضبط پرسروصدا است یا لهجه‌ی سنگین دارد، نام بردن از آن دقت را بالا می‌برد.
صدای تمیز اشتباه‌های ناشی از سالن را از بین می‌برد. اما برای اشتباه‌های ناشی از واژگان هیچ کاری نمی‌کند، و آن‌ها به نوع دیگری از کمک نیاز دارند.
گوشی نمی‌داند چه کسی حرف می‌زند یا سخنرانی درباره‌ی چیست، پس نام یک محصول یا یک نام خانوادگی فقط صدایی دیگر است که باید تقریبش زد. اما یک پخش را می‌توان از پیش از آنچه انتظار می‌رود آگاه کرد.
اگر پیش از شروع یک اسکریپت یا اسلایدها اضافه کنید، نام‌ها و اصطلاحات آن‌ها بر آنچه موتور بد شنیده غلبه می‌کند. هنگام ضبط، تب Script مثل یک پرامپتر همراه گوینده پیش می‌رود. این بزرگ‌ترین بهبود دقت برای نوعی از گفتار است که کنفرانس‌ها و سخنرانی‌ها را پر می‌کند: پر از اسم خاص و واژگانی که هیچ مدل همه‌منظوره به اندازه‌ی کافی آن‌ها را ندیده است.
صدای خوب و یک واژه‌نامه بیشتر خطاها را برطرف می‌کنند. پرسش این است که با خطاهای باقی‌مانده چه می‌شود.
حتی با صدای خوب و یک اسکریپت، بعضی خطوط اشتباه درمی‌آیند. تفاوت در این است که بعد از آن چه اتفاقی می‌افتد.
در گوشی، هیچ. خط اشتباه از جلوی چشم رد می‌شود و ترجمه‌ای که روی آن ساخته شده همراهش می‌رود.
در یک پخش، خطی که آن‌قدر نامفهوم است که ارزش نشان دادن ندارد، از شنوندگان با عبارت «Audio unclear» پنهان می‌شود، به‌جای این‌که به‌عنوان واقعیت ارائه شود.
سپس میزبان تب Fix را دارد: کلماتی که موتور در آن‌ها مطمئن نبوده می‌توانند رنگی و زیرخط‌دار شوند، با یک کلیک یک خط برای بازبینی باز می‌شود، و هر کلمه یا خطی را می‌توان در حین زنده بودن رونویسی بازنویسی کرد. هر شنونده اصلاح را به زبان خودش می‌بیند. هر اصلاح علامت می‌خورد و می‌توان آن را برگرداند.
نکته این نیست که سرور هرگز اشتباه نمی‌کند. نکته این است که اشتباه دیده می‌شود، کسی در سالن مسئولیتش را بر عهده دارد، و یک‌بار برای همه درست می‌شود.
اصلاح‌ها آنچه شنوندگان می‌خوانند را درست می‌کنند. شنوندگانی که ترجیح می‌دهند سخنرانی را بشنوند، همان متن اصلاح‌شده را دریافت می‌کنند، این بار با صدا.
شنونده‌ای که ترجیح می‌دهد بخواند تا بشنود، می‌تواند هر خط ترجمه‌شده را با صدای بلند بشنود. به‌طور پیش‌فرض هر گوینده یک صدای آمادهٔ متمایز با جنسیت متناظر دارد، پس یک پنل همچنان مثل یک پنل به نظر می‌رسد. می‌توانید به هر گوینده صدایی اختصاص دهید، یا یکی از آن‌ها را بی‌صدا کنید.
با اجازه‌ی گوینده، می‌توانید فراتر بروید و صدای او را از سی ثانیه گفتارش شبیه‌سازی کنید؛ این نمونه می‌تواند به‌صورت یک کلیپ بارگذاری شود یا مستقیم از گوینده‌ای در یک ضبط گرفته شود. چند دقیقه نتیجه‌ی بهتری می‌دهد. سپس ترجمه با صدای خود گوینده، در هر زبان، خوانده می‌شود. گوینده‌ای که صدای ذخیره‌شده دارد می‌تواند در ضبط‌های بعدی هم شناخته شود، هرچند سیستم ترجیح می‌دهد گوینده‌ای را بی‌نام بگذارد تا این‌که اسم شخص اشتباهی را ببرد.
دو قاعده اعمال می‌شود و عمدی‌اند. صدای شبیه‌سازی‌شده داده‌ی زیستی است: فقط با توافق صریح گوینده ساخته می‌شود و هر زمان قابل حذف است. و یک صدا فقط متن رونویسی یا ترجمه‌ی آن را می‌خواند؛ نمی‌توان کاری کرد که چیزی بگوید که صاحبش هرگز نگفته است.
همه‌ی آنچه تا اینجا گفته شد در زمانی رخ می‌دهد که گوینده حرف می‌زند. آخرین تفاوت بعد از اتمام صحبت خودش را نشان می‌دهد.
پنجاه متن رونویسی گوشی با بسته‌شدن اپ‌ها از بین می‌روند. یک پخش، ضبط را در کتابخانه‌ی شما نگه می‌دارد: صدا، و متن رونویسی همراه هر اصلاح و ترجمه. آن‌جا می‌توان آن را خط‌به‌خط بازپخش کرد، به هر زبانی جست‌وجو کرد و خروجی گرفت؛ راهنمای یک لینک، هر زبان توضیح می‌دهد کتابخانه چه کارهایی انجام می‌دهد. شنوندگان هزینه‌ای ندارند، هرقدر هم که باشند. شما برای صدای رونویسی‌شده پرداخت می‌کنید: برای زنده، $0.60 در ساعت، با حداقل 5 دقیقه برای هر رونویسی؛ و صفحه‌ی قیمت‌گذاری جدول نرخ‌ها را دارد.
یک تلفن در دست هر کس هنوز برای گفت‌وگوی راهرو پشتیبان خوبی است. برای سالنی که باید با هم یک گوینده را بفهمد، سخنران باید از همان منبع، یک‌بار رونویسی شود، با کسی که بتواند آنچه را خراب می‌شود درست کند. نمونه‌ای از این را در نمایش تعاملی صفحه‌ی اصلی می‌توانید ببینید.
