Une salle multilingue n’a pas besoin d’une cabine par langue. Il lui faut un seul flux audio propre depuis la table de mixage, un lien que chaque auditeur ouvre sur son propre téléphone, et un moyen de corriger un nom mal entendu pendant que l’intervention continue.
Une conférence, un office, un cours ou une séance du conseil municipal ont une seule personne qui prend la parole et un public qui ne pense pas tout à fait dans cette langue. Les solutions habituelles sont coûteuses, partielles ou individuelles.
La solution coûteuse consiste à prévoir un interprète par langue. Même avec un interprète par langue, il faut une cabine, un parc de récepteurs et un spécialiste pour chaque langue présente dans la salle, et ces spécialistes ne disent pas tous la même chose. Chacun fait ses propres choix sous la pression du temps : quel mot retenir pour un terme, quoi condenser, quoi omettre quand l’orateur accélère. Lors d’un exposé ordinaire, ces écarts ont peu d’importance. Lors d’une audience judiciaire, d’un vote au conseil ou d’un point technique, ils comptent : un terme juridique défini, une posologie ou une clause peuvent être compris d’une façon par les auditeurs francophones et d’une autre par les auditeurs arabophones, sans que personne dans la salle soit en mesure de s’en apercevoir. La solution partielle consiste en un fil de sous-titres sur un seul écran, dans une seule langue seconde. La solution individuelle consiste à tendre cinquante téléphones vers la salle : cinquante transcriptions légèrement erronées, chaque téléphone captant l’écho et la toux aussi nettement que la voix de l’orateur.
L’alternative consiste à transcrire une seule fois l’orateur, à partir d’une source propre, puis à traduire cette transcription unique dans les langues dont le public a besoin. Chaque langue part ainsi des mêmes mots, et chaque auditeur choisit sur son propre appareil. L’enregistrement est conservé à la fin de l’événement. Voici comment l’hôte et l’auditeur paramètrent chacun leur côté, et ce que cela coûte.
Une transcription en direct peut écouter un microphone de n’importe quel appareil, un flux RTMP provenant d’OBS ou de tout autre encodeur qui accepte une URL de serveur et une clé de flux, un direct YouTube, une radio en ligne ou toute URL diffusant un flux. Pour un flux, VocalStack récupère lui-même le son ; rien ne tourne de votre côté.
La source compte davantage que n’importe quel réglage. Un microphone de salle, ou un téléphone posé sur une table, capte l’orateur ainsi que la pièce : la réverbération sur les murs, les chaises, le public. La reconnaissance vocale se dégrade fortement lorsque la voix devient plus faible que ce bruit, ce qui explique que ces cinquante téléphones ne s’accordent pas entre eux. Une sortie de la table de mixage transporte le micro de l’orateur avec peu de la salle, si bien que la transcription suit l’orateur et non la pièce. Si le lieu dispose d’une table de mixage, prenez le signal à cet endroit.
La langue parlée est détectée automatiquement, et l’orateur peut en changer à tout moment ; la nommer à l’avance aide sur les enregistrements bruyants et en cas d’accents marqués. Les étiquettes de locuteurs peuvent être désactivées, activées ou réglées sur When Needed, ce qui les active dès qu’un second locuteur se fait entendre. Une fois le son entrant, le public doit pouvoir le trouver.
Une diffusion, c’est le lien : une adresse et un code QR que les auditeurs scannent pour ouvrir la traduction en direct et choisir leur langue. Le lien est créé à partir du nom donné à la diffusion. Si vous la renommez plus tard, l’ancien lien continue de fonctionner, si bien qu’un code QR imprimé sur un programme ne devient pas obsolète.
Une diffusion est publique par défaut : quiconque possède le lien peut l’ouvrir. Si vous la rendez privée et définissez un mot de passe, les auditeurs doivent le saisir avant que la transcription n’apparaisse.
Une même diffusion peut être alimentée par plusieurs transcriptions en direct : une conférence avec deux scènes partage donc un seul lien. Le lien fait venir les gens ; ce qui les retient, c’est que les noms soient justes.
Les systèmes de reconnaissance vocale sont entraînés sur la façon dont les gens parlent habituellement ; face à un son ambigu, ils privilégient donc le mot courant. Un nom de produit, un patronyme, un village, un composé chimique : chacun a un quasi-homophone plus fréquent, et c’est celui-là qui sort, à moins que le système ne sache que le mot rare va arriver. C’est à cela que sert un script. Ajoutez un script ou des diapositives avant de démarrer, et les noms et termes qu’ils contiennent l’emportent sur ce qui a été mal entendu. Ce sont ces noms et ces termes qui posent le plus souvent problème lors d’un exposé spécialisé. Pendant l’enregistrement, l’onglet Script suit la parole comme un téléprompteur, en éclairant les mots déjà prononcés.
Voilà toute la configuration. De l’autre côté du lien, il y a encore moins à faire.
L’auditeur a besoin d’un lien ou d’un code QR, ainsi que d’un téléphone. Il ouvre le lien dans un navigateur et voit La diffusion n’a pas encore commencé jusqu’à ce que l’hôte appuie sur enregistrer, puis En direct. La première ligne apparaît dans un instant. Il choisit parmi les langues retenues par l’hôte (jusqu’à 10 par transcription, sur 100 disponibles) et lit la transcription au fil de la parole de l’orateur. L’hôte continue de parler dans sa propre langue. L’auditeur peut changer de langue à tout moment ; la transcription déjà diffusée s’affiche alors à nouveau dans la nouvelle langue.
Si l’auditeur préfère écouter, chaque ligne traduite est lue à voix haute. Par défaut, chaque locuteur reçoit une voix prédéfinie distincte du même genre, si bien qu’un panel continue de sonner comme un panel.
Les trois étapes se déroulent dans l’ordre, chacune attendant la précédente. La reconnaissance a besoin d’un passage de parole avant de pouvoir fixer les mots ; la transcription accuse donc un léger décalage, de l’ordre de la fraction de seconde, sur l’orateur. La traduction a besoin d’une phrase entière, car l’ordre des mots diffère d’une langue à l’autre et la fin d’une phrase peut modifier son début ; elle suit donc d’une seconde ou deux. La synthèse vocale a besoin de la phrase traduite pour commencer, si bien qu’une ligne parlée arrive en dernier. Rien de tout cela n’est un défaut à corriger ; c’est ce que doit faire tout système réalisant ces trois opérations, y compris un interprète humain, qui attend lui aussi le verbe.
Avec l’accord de l’orateur, l’hôte peut cloner sa voix à partir de trente secondes de cette personne parlant seule (un fichier MP3, M4A ou WAV ; quelques minutes sont préférables). La traduction est alors lue avec la voix de l’orateur, dans toutes les langues. Traitez une voix comme la donnée biométrique qu’elle est. Au titre du RGPD, les données vocales traitées pour reconnaître une personne relèvent en général des catégories particulières de l’article 9, et certains États américains, dont l’Illinois, encadrent séparément les empreintes vocales. Obtenez le consentement explicite du locuteur avant que l’échantillon ne soit enregistré, et non après ; la voix peut être supprimée à tout moment. Le clonage enregistre aussi le locuteur, qui est donc identifié par son nom dans les enregistrements futurs. L’hôte peut attribuer une voix à chaque locuteur, ou en couper une.
Un auditeur qui arrive en retard voit tout ce qui a été dit avant son arrivée, puis suit en direct. Si la connexion tombe, la page rattrape seule son retard dès que la connexion revient. Lorsque l’hôte met en pause, les auditeurs voient En pause. La transcription reprend lorsque l’hôte la relance. Lorsque l’hôte arrête, la page affiche la date et la durée de l’enregistrement, et la diffusion liste ses enregistrements passés pour une relecture.
Un auditeur ne peut lire que ce que le moteur a entendu, et la reconnaissance en direct en fait certaines erreurs.
L’écran de l’hôte dispose d’un onglet Fix justement pour cela. Mark uncertain words colore et souligne les mots sur lesquels le moteur a eu un doute ; Click to correct ouvre une ligne à relire. L’onglet parcourt les segments incertains un par un, si bien qu’une deuxième personne au pupitre peut les traiter pendant que l’orateur poursuit.
Lorsqu’un hôte réécrit un mot ou une ligne, même encore en cours de prononciation, chaque auditeur voit la correction. Une ligne dont le niveau de confiance est trop faible est masquée aux auditeurs sous la mention Audio peu clair plutôt que d’être affichée fausse ; l’hôte voit toujours chaque mot. Un blanc est une lacune connue ; un mot erroné présenté avec assurance est une rumeur.
Ces corrections ne disparaissent pas à la fin de l’intervention.
Tout est conservé. L’enregistrement, sa transcription avec corrections et traductions, ainsi que l’audio, atterrissent dans la bibliothèque de l’hôte. La relecture rejoue exactement ce qui a été diffusé, ligne par ligne, avec son audio. Une fois les mots définitifs, un titre et un résumé sont rédigés dans chaque langue, et les onglets Summary et Export de l’écran de l’hôte les mettent directement à disposition.
Les exports sont au format SRT (sous-titres), PDF, Excel ou JSON, avec corrections et traductions incluses, et l’audio se télécharge en MP3. Chaque transcription est consultable dans n’importe quelle langue.
La vue Audience indique qui a écouté, dans quelle langue et à quel moment il a rejoint : souvent le premier véritable décompte dont dispose un organisateur quant aux personnes ayant besoin de telle ou telle langue. Jusque-là, l’estimation habituelle consistait à compter ceux qui levaient la main lorsqu’on demandait, en anglais, qui avait besoin de traduction. Les identifiants des auditeurs sont supprimés avec l’enregistrement.
La reconnaissance vocale, l’identification des locuteurs et la synthèse vocale tournent sur des serveurs que nous exploitons, et votre audio n’est transmis à aucun tiers pour traitement. Nous n’utilisons ni votre audio, ni vos transcriptions, ni vos voix pour entraîner des modèles.
La conservation suit le forfait : avec le Paiement à l’usage, l’audio source et les voix sont conservés 7 jours et les transcriptions 30 jours ; Premium et Enterprise les conservent tant que le compte existe. L’autre point que définit le forfait est la facturation.
Deux chiffres comptent. Avec le Paiement à l’usage et Premium, la transcription en direct coûte $0.60 par heure d’audio, facturée à la seconde avec un minimum de 5 minutes par transcription, dans le tableau de bord comme via l’API ; Enterprise bénéficie de tarifs dégressifs selon le volume. Les auditeurs et les langues sont gratuits : un événement d’une heure, lu dans cinq langues par deux cents personnes, coûte $0.60. Les fichiers sont moins chers ($0.20 par heure), car une transcription en direct tourne en temps réel pendant toute la durée de l’événement. Les forfaits diffèrent par la simultanéité, la durée maximale d’enregistrement et la rapidité de démarrage ; avec le Paiement à l’usage, un démarrage à froid peut prendre jusqu’à 15 secondes, donc lancez l’enregistrement un peu avant que l’orateur ne prenne la parole, environ une phrase du type « Vous m’entendez bien au fond ? » à l’avance. La grille complète figure sur la page tarifs.
La page d’accueil propose une démo avec deux téléphones, et un nouveau compte sur le tableau de bord reçoit un crédit d’inscription de $5 sans carte bancaire. Au tarif en direct, ce crédit couvre plus de huit heures de diffusion.
Vous hésitez entre ceci et la traduction en direct intégrée au téléphone de chacun ? Lisez pourquoi un téléphone ne suffit pas pour une salle. Pour un événement complet, la liste de contrôle pour une conférence multilingue couvre le chemin audio, les plusieurs scènes reliées à un même lien et le budget. Les développeurs peuvent tout faire depuis leur code via la référence de l’API, au même tarif.
