As palabras que un recoñecedor erra nunha misa ou nunha sesión do concello son as que xa están escritas no papel. Dálle a orde do día, colle o audio da mesa de mesturas en vez da sala, e un evento semanal custa menos que o café de despois.
Un servizo do domingo, unha clase do martes e unha reunión mensual do concello teñen máis en común do que parece. Cada un repítese unha e outra vez na mesma sala, cada un está a cargo dun voluntario ou dun secretario e non dunha empresa de audiovisuais, e cada un atende a persoas que seguirían mellor noutro idioma, a persoas que non oen ben e a persoas que non puideron estar presentes. O orzamento é pequeno e as persoas que o levan cambian. Quen o montou o ano pasado adoita estar xa na quenda das flores.
Este artigo explica como configurar VocalStack unha vez para unha sala así, para que cada semana despois baste con premer iniciar. Tamén cobre os poucos aspectos que deciden se as palabras da pantalla son correctas. Para a versión puntual, unha conferencia con varios escenarios, mira Realizar unha conferencia multilingüe con subtítulos en directo. Comeza polo que vas imprimir.
Unha emisión é unha ligazón pública e un código QR. Calquera pode abrir a ligazón nun navegador, escoller un idioma e ler mentres fala o falante. Non hai nada que instalar nin conta que crear. Unha emisión pode alimentarse de tantas transcricións en directo como queiras, así que a gravación deste domingo e a da seguinte aparecen na mesma dirección.
Imprime o código QR unha vez e colócao no taboleiro de anuncios, na orde do servizo, nas diapositivas da clase ou no muro da galería pública. Os oíntes escanéano para abrir a tradución en directo e escoller o seu idioma. Se algún día cambias a ligazón, a antiga segue abrindo a mesma emisión, así que os folletos do ano pasado seguen funcionando.
Un oínte que abra a ligazón cedo verá que a emisión aínda non comezou. Quen chegue tarde verá todo o que se dixo antes de que chegase e logo seguirá o directo. Un oínte cuxa conexión caia recupera o que perdeu por si mesmo.
Unha emisión é pública por defecto, o que é correcto para un servizo ou unha sesión do concello e erróneo para unha reunión pechada ou un seminario. Para estes casos, cámbiaa a privada e define un contrasinal: só poderán abrir a ligazón as persoas que o teñan, e pediráselle antes de que apareza a transcrición. En calquera caso, indica nun lugar visible que a sala está a ser transcrita e onde vai o texto. As persoas que rezan en voz alta, ou que falan tres minutos no turno de intervencións públicas, non necesariamente viñeron esperando unha transcrición. Unha liña que o diga na orde do servizo ou na orde do día custa pouco. Crea a emisión en {{app}}/broadcasts/new.
Unha ligazón é só a metade; alguén ten que poñer as palabras nela.
Antes de calquera software, o audio. As salas construídas para congregacións e concellos están feitas para a reverberación: pedra, teitos altos, bancos de madeira. Un teléfono ou un portátil no atril escoita ao falante unha vez directamente e logo varias máis desde as paredes. A distancia máis o eco é a causa máis grande de erros de recoñecemento, moi por diante dos acentos. Se a sala ten unha mesa de mesturas, colle o sinal de alí (a saída auxiliar ou de gravación), para que o recoñecedor oia o que oen os micrófonos. Quen se move, como o predicador que sae do púlpito ou o profesor diante da pizarra, debería levar un micrófono de solapa ou de diadema en vez de confiar nun micrófono de pé. Resolve isto e o resto é cuestión de axustes.
A maioría das igrexas, universidades e concellos xa envían ese audio da mesa a algún sitio, e unha transcrición en directo pode collelo de aí en vez de dun dispositivo na sala.
Nun fluxo, VocalStack colle o audio por si mesmo; do teu lado non hai que executar nada. A dirección ten que ser accesible desde internet. Un fluxo que só existe na túa rede local hai que gravalo desde un dispositivo da sala. Inicia unha transcrición en directo en {{app}}/transcriptions/new/live e asóciaa á emisión.
Unha vez que chega un bo audio, os erros que seguirás notando son os previsibles.
As palabras que un recoñecedor de voz erra nunha igrexa, nunha clase ou nunha sala de plenos son previsibles: nomes de persoas e lugares, referencias bíblicas, termos técnicos, os puntos dunha orde do día. A razón é estrutural. Un recoñecedor escolle as palabras máis probables dado o son, e aprende esas probabilidades do que a xente adoita dicir. Así que un apelido pouco frecuente perde fronte a unha palabra común que soa parecida, sempre. A resposta do campo, coñecida como biasing ou vocabulario personalizado, é dicirlle ao sistema que palabras raras esperar. A observación útil para unha sala semanal é que estas son exactamente as palabras que xa están escritas antes do evento.
Engade un guion ou diapositivas antes de comezar. Os nomes e termos del terán prioridade sobre o que o recoñecedor escoitou mal. Ninguén ten que lelo palabra por palabra; un esquema do sermón, un folleto ou a orde do día publicada xa contén a maioría dos nomes propios. Durante a gravación, a pestana Script na pantalla do anfitrión segue o texto como un teleprompter, iluminando as palabras xa pronunciadas.
Os guiones pódense escribir con antelación e dárselles unha hora de inicio; a biblioteca enuméraos baixo Upcoming cun botón Start. Iso encaixa cun cuadrante: unha persoa engade o texto o venres, outra preme Start o domingo.
Se unha palabra aínda sae mal, a pestana Fix marca as palabras dubidosas e permite ao anfitrión premer unha liña para corrixila mentres a gravación está en directo; os oíntes ven a corrección.
Acertar coas palabras é unha metade; a outra é saber quen as dixo.
O interruptor de etiquetas de falante ten tres posicións. When Needed etiqueta cada liña co seu falante cando se escoitan varias voces; se non, a transcrición é texto plano. On etiqueta cada liña, mesmo con un só falante. Off dá texto plano. Nun sermón, When Needed significa que unha voz se le como prosa; nun concello de doce membros, cada liña leva o seu falante.
As etiquetas empezan como números. Nunha gravación podes dar nome a un falante, e o nome aplícase a cada liña súa. Para as persoas que falan todas as semanas, dá un paso máis e garda a súa voz. Podes crear unha voz a partir de calquera falante que fale polo menos trinta segundos nunha gravación, ou dunha gravación curta que aporte a propia persoa. Desde ese momento o falante é recoñecido e etiquetado polo nome nas gravacións futuras e, se os oíntes escollen escoitar a tradución en voz alta, léuse coa voz desa persoa en todos os idiomas. Sen clonación, cada falante recibe unha voz predefinida distinta do xénero que corresponda, e calquera falante pode silenciarse.
Unha voz clonada é un dato biométrico. VocalStack só crea unha co consentimento explícito do falante, úsaa só para ler en voz alta as liñas dese falante e permite borrala en calquera momento. Os concelleiros e o clero son figuras públicas nas súas salas; iso non equivale a consentimento, así que pregunta.
Nun concello é aquí onde a transcrición se converte en acta. Con cada liña etiquetada polo nome, as actas por fin mostran quen dixo «creo que xa tratamos isto» por cuarta vez. E isto suscita a pregunta de para quen é o rexistro.
Os primeiros beneficiarios son os habituais que son xordos ou teñen dificultades auditivas, non os visitantes que len noutro idioma, aínda que sexan igualmente benvidos. Un bucle de indución (induction loop) axuda ás persoas con audífonos e non serve de nada a quen non o usa; os subtítulos no teléfono axudan ao resto, e os dous se complementan en vez de competir. As institucións públicas en moitos lugares teñen deberes de accesibilidade e de reunións abertas, e unha transcrición que o público pode ler en directo e despois axuda moito a cumprilos. Comproba que se aplica no teu caso.
Sé honesto sobre o que son os subtítulos automáticos. Un subtitulador humano (o servizo chámase CART nalgúns países) escoita, entende e escribe. Nun debate acalorado do concello onde tres membros falan á vez, un humano seguirá gañando a unha máquina. A fala superposta produce erros en calquera sistema automático, e tamén os produce que a presidencia murmure sen micrófono. Cando hai unha obriga legal de transcrición literal, as automáticas son un complemento, non un substituto; cando a alternativa é non ter nada, son unha gran mellora sobre o nada.
A transcrición tamén vale máis o día seguinte.
Cada gravación chega á túa biblioteca, e a páxina da emisión lista as gravacións pasadas para quen teña a ligazón. Alguén que perdeu a reunión pode reproducila tal e como chegou, liña a liña, co seu audio.
Cando as palabras están finais, escríbese un título e un resumo en todos os idiomas. Unha busca no teu idioma tamén atopa gravacións feitas noutro, así que unha secretaria pode atopar o mes no que se tratou un punto e un estudante a clase que cubriu un tema. As exportacións dispoñibles son subtítulos SRT, PDF, Excel ou JSON, con correccións e traducións incluídas; un PDF da transcrición traducida queda moi ben xunto á acta. Se algo disto debe pasar sen que unha persoa prema nada, a API fai todo o que fai o panel, á mesma tarifa, en todos os plans: consulta {{api}}/docs.
Todo isto ten que sobrevivir ao orzamento dunha parroquia ou dunha comisión.
A transcrición en directo custa $0.60 por hora de audio, facturada por segundo cun mínimo de 5 minutos por transcrición, en todos os plans. Os oíntes son gratuítos, por moitos que sexan, e a tradución a ata 10 idiomas por transcrición está incluída.
Unha conta nova chega con $5 de crédito de inscrición único e non pide tarxeta. Ese crédito cobre máis dun mes de domingos. Despois, recargas conforme uses, ou escolles Premium a $50 ao mes ($40 ao mes no plan anual). Premium inclúe $50 de crédito cada mes, o que equivale a 83 horas en directo. Tamén conserva todas as gravacións durante toda a vida da conta en vez de 30 días, e non corta unha transcrición se o crédito se esgota a metade dunha reunión. Dúas notas prácticas para o tesoureiro. No Pagamento por uso, unha transcrición pode tardar ata 15 segundos en arrancar desde frío, así que preme iniciar antes do himno de apertura en vez de durante el. E unha YouTube en directo que xa terminou é un vídeo, así que se transcribe como un ficheiro, á tarifa de ficheiros, moito máis baixa.
Para unha sala e un evento recorrente, o Pagamento por uso chega. Para unha institución que quere que cada gravación se poida buscar anos despois, ou que ten varias salas á vez, Premium é o que hai que escoller. A táboa completa, cos límites e a retención, está na páxina de prezos, e a demo interactiva mostra o que ve un oínte.
