A voz, sen complicacións

Preguntas frecuentes

O meu teléfono ten tradución en directo integrada: para que necesito VocalStack?

Un teléfono executa un modelo de voz pequeno que ten que caber no dispositivo e na batería. Isto vale para frases curtas, claras e cotiás. Non serve para o que adoita fallar na fala real: palabras pouco frecuentes e nomes, palabras que soan parecido («their» e «there», «sail» e «sale»), termos técnicos, acentos, persoas que falan ao mesmo tempo e ruído de fondo. O modelo adiviña, a tradución constrúese sobre a adiviña e ninguén na sala pode ver que estaba mal.

VocalStack funciona en servidores, así que os modelos son de tamaño completo e cada liña se revisa co contexto despois do recoñecemento. Sube antes un guion ou diapositivas e os nomes e termos que conteñen impóñense ao que se entendeu mal. Se aínda sae algo mal, podes corrixir a liña mentres está en directo e todos os oíntes ven a corrección.

Un teléfono tamén escoita a sala, non ao falante, e tradúce para unha soa persoa, así que cincuenta teléfonos dan cincuenta transcricións distintas. VocalStack toma o audio directamente da mesa de mesturas, do fluxo ou do micrófono, transcribe ao falante unha vez, e todos len ou escoitan o mesmo no seu idioma. A tradución lense en voz alta coa propia voz do falante, así que os oíntes escoitan a persoa do escenario e non unha voz de robot xenérica.

Cóbrase por oínte? Como funcionan os prezos?

Non. Os oíntes son gratuítos, sexa cal sexa o número e o idioma no que len ou escoitan. Pagas polo audio transcrito, por segundo, con un mínimo de 5 minutos por transcrición, e esa é toda a factura: a tradución a ata 10 idiomas, as traducións faladas, a emisión, os resumos e as exportacións están incluídos.

Ver prezos e plans

As transcricións de ficheiros e en directo teñen tarifas distintas, as mesmas en todos os plans, e Premium inclúe $50 de crédito cada mes. Todos os plans teñen as mesmas funcións, e a API cóbrase á mesma tarifa que o panel.

Que necesitan os oíntes para seguir a emisión?

Unha ligazón ou un código QR, e un teléfono. Non hai nada que instalar nin conta que crear. O oínte abre a ligazón nun navegador, escolle un idioma e lee a transcrición mentres se fala. Se prefire escoitar, cada liña traducida tamén se lee en voz alta. Pode cambiar de idioma en calquera momento; a transcrición ata ese momento volve lerse no novo.

Un oínte que se una tarde ve todo o dito antes de chegar e despois segue en directo. Se a conexión cae, a páxina se pon ao día sola ao volver.

O audio ten que vir dun micrófono?

Non. Unha transcrición en directo pode escoitar un micrófono de calquera dispositivo, un fluxo RTMP desde OBS ou un codificador de emisión, un YouTube en directo, unha emisora de radio por internet ou calquera URL que sirva un fluxo. No caso dun fluxo, VocalStack extrae o audio por si mesmo: non se executa nada do teu lado.

Unha ligazón de emisión pode alimentarse de varias transcricións, así que unha conferencia con dous escenarios, ou unha emisora cun fluxo de radio e un YouTube en directo, segue compartindo unha soa ligazón.

Podo controlar quen ve a transcrición?

Si. Unha emisión é pública por defecto: calquera que teña a ligazón pode seguila. Ponla en privado e definir un contrasinal, e só entrarán as persoas ás que dea ambos. Podes cambiarlle o nome máis tarde e a ligazón antiga segue funcionando. Tamén podes ver quen escoita, en que idioma e cando se uniu.

O oínte escoita ao falante real ou unha voz sintética?

Ambas cousas. Por defecto, cada falante recibe unha voz predefinida distinta do mesmo xénero, así que unha mesa redonda segue soando a mesa redonda. Co permiso do falante, podes clonar a súa voz a partir de trinta segundos de audio, e a tradución lense entón coa súa propia voz en cada idioma. Unha voz clonada tamén significa que o falante se recoñece e se etiqueta polo nome en gravacións futuras. Podes asignar unha voz a cada falante, ou silenciar un.

Que se conserva despois do evento?

Todo. A gravación, a súa transcrición con correccións e traducións, e o audio gárdanse na túa biblioteca. O título e o resumo escríbense unha vez que as palabras son definitivas, en todos os idiomas. Podes reproducilo tal e como chegou, buscar en todas as transcricións no teu idioma e exportalo como subtítulos SRT, PDF, Excel ou JSON.

Podo integralo no meu propio produto?

Si. Todo o que fai o panel está dispoñible pola API, á mesma tarifa: transcrición en tempo real por WebSocket, transcricións en directo con emisións, tradución e traducións faladas, tarefas de ficheiros e ligazóns, e un servidor MCP. Inclúense os SDK oficiais para TypeScript e Python. Os oíntes poden subscribirse a unha gravación desde a túa propia aplicación cun código de compartición e sen clave de API.