Unha sala multilingüe non necesita unha cabina por idioma. Necesita un único audio limpo desde a mesa, unha ligazón que o público abre nos seus propios teléfonos e un xeito de corrixir un nome mal oído mentres a charla continúa.
Unha charla, un servizo, unha clase ou unha reunión do concello teñen unha persoa que fala e un público que non todo el pensa nesa lingua. As respostas habituais son caras, parciais ou privadas.
A resposta cara é un intérprete por cada lingua. Mesmo con un por idioma, iso supón unha cabina, un conxunto de receptores e un especialista para cada lingua da sala, e os especialistas non din o mesmo. Cada intérprete toma as súas propias decisións baixo presión de tempo: que palabra usar para un termo, que compactar, que omitir cando o falante acelera. Nunha charla ordinaria as diferenzas apenas importan. Nunha audiencia xudicial, unha votación municipal ou unha exposición técnica si importan: un termo definido, unha dose ou unha cláusula poden chegar aos oíntes franceses cun significado e aos oíntes árabes con outro, e ninguén da sala está en condicións de notalo. A resposta parcial é unha liña de subtítulos nunha única pantalla, nun só segundo idioma. A resposta privada son cincuenta teléfonos levantados cara á sala: cincuenta transcricións lixeiramente erradas, cada teléfono escoitando o eco e a tose tan claramente como ao falante.
A alternativa é transcribir ao falante unha vez, desde unha fonte limpa, traducir esa única transcrición ao que necesite o público, de modo que todos os idiomas partan das mesmas palabras, e deixar que cada oínte escolla no seu propio dispositivo. A gravación consérvase cando remata o evento. Aquí está como configuran o anfitrión e o oínte, e o que custa.
Unha transcrición en directo pode escoitar un micrófono en calquera dispositivo, un fluxo RTMP desde OBS ou calquera outro codificador que admita un URL de servidor e unha clave de emisión, un directo de YouTube, unha emisora de radio por internet ou calquera URL que sirva un fluxo. Para un fluxo, VocalStack extrae o audio por si mesmo; non se executa nada do seu lado.
A fonte importa máis que calquera axuste. Un micrófono de sala, ou un teléfono sobre unha mesa, escoita ao falante máis a sala: reverberación das paredes, cadeiras, o público. O recoñecemento da fala empeora moito canto máis baixa a voz en relación con ese ruído, e por iso eses cincuenta teléfonos non coinciden entre si. Unha saída da mesa de mestura leva o micrófono propio do falante con pouco da sala, así que a transcrición segue ao falante e non á sala. Se o local ten mesa de son, tome a saída de alí.
O idioma falado detéctase automaticamente, e o falante pode cambiar en calquera momento; nomealo de antemán axuda en gravacións ruidosas e acentos marcados. As etiquetas de falante poden estar desactivadas, activadas ou en When Needed, que as activa cando se escoita un segundo falante. Cando o audio xa está entrando, o público necesita atopar onde seguilo.
Unha emisión é a ligazón: un enderezo e un código QR que os oíntes escanean para abrir a tradución en directo e escoller o seu idioma. A ligazón fórmase a partir do nome que lle dá á emisión. Se o renomea despois, a ligazón antiga segue funcionando, así que un código QR impreso nun programa non quedará obsoleto.
Unha emisión é pública por defecto: calquera que teña a ligazón pode abrila. Se a fai privada e define un contrasinal, pídese aos oíntes antes de aparecer a transcrición.
Unha mesma emisión pode alimentarse de varias transcricións en directo, así que unha conferencia con dous escenarios comparte unha soa ligazón. A ligazón fai entrar á xente; o que a mantén alí é acertar cos nomes.
Os recoñecedores de fala adéstranse con como fala a xente normalmente, así que cando un son é ambiguo buscan a palabra común. Un nome de produto, un apelido, unha aldea, un compoñente químico: cada un ten un case homófono máis frecuente, e iso é o que sae a menos que se lle diga ao recoñecedor que vén a palabra rara. Para iso serve un guion. Engada un guion ou diapositivas antes de comezar, e os nomes e termos que contean gañan sobre o que se oíu mal. Eses nomes e termos son onde o recoñecemento adoita fallar nunha charla especializada. Durante a gravación, a pestana Script segue o texto como un teleprompter, iluminando as palabras pronunciadas ata agora.
Iso é toda a configuración. Do outro lado da ligazón hai aínda menos que facer.
Un oínte necesita unha ligazón ou un código QR, e un teléfono. Abre a ligazón nun navegador e ve The broadcast hasn't started yet ata que o anfitrión preme gravar, e despois Live. The first line appears in a moment. Escolle entre os idiomas que escolleu o anfitrión (ata 10 por transcrición, de 100 dispoñibles) e lee a transcrición mentres o falante fala. O anfitrión segue falando na súa lingua. Un oínte pode cambiar de idioma en calquera momento; a transcrición ata ese punto móstrase de novo no novo idioma.
Se un oínte prefire escoitar, cada liña traducida léese en voz alta. Por defecto cada falante recibe unha voz predefinida distinta do xénero que lle corresponde, así que un panel aínda soa a panel.
As tres etapas ocorren en orde, e cada unha agarda pola anterior. O recoñecemento precisa un anaco de fala antes de poder comprometerse coas palabras, así que a transcrición vai por detrás do falante uns instantes. A tradución necesita unha frase completa, porque a orde das palabras difire entre linguas e o final dunha oración pode cambiar o principio, así que segue un ou dous segundos despois. A fala necesita a oración traducida antes de poder comezar, así que unha liña falada chega a última. Nada disto é un fallo que haxa que axustar; é o que debe facer calquera sistema que faga estas tres cousas, incluído un intérprete humano, que tamén agarda polo verbo.
Con permiso do falante, o anfitrión pode clonar a súa voz a partir de trinta segundos dese falante só (un MP3, M4A ou WAV; mellor uns minutos). A tradución lese entón coa propia voz do falante en cada idioma. Trate unha voz como o dato biométrico que é. Segundo o RGPD, os datos de voz tratados para recoñecer unha persoa adoitan entrar nas categorías especiais do artigo 9, e algúns estados dos EUA, Illinois entre eles, regulan as impresións vocais por separado. Obteña o consentimento explícito do falante antes de gravar a mostra, non despois; a voz pódese eliminar en calquera momento. A clonación tamén rexistra ao falante, así que aparece etiquetado polo nome nas gravacións futuras. Un anfitrión pode asignar unha voz a cada falante, ou silenciar a un.
Un oínte que chega tarde ve todo o que se dixo antes de entrar, e logo sigue en directo. Se a conexión cae, a páxina recupérase soa cando a conexión volve. Cando o anfitrión pausa, os oíntes ven Paused. The transcript continues when the host resumes. Cando o anfitrión para, a páxina mostra a data e a duración da gravación, e a emisión lista as súas gravacións pasadas para repetir.
Un oínte só pode ler o que escoitou o motor, e o recoñecemento en directo acerta algunhas cousas mal.
A pantalla do anfitrión ten unha pestana Fix para exactamente iso. Mark uncertain words colorea e subliña as palabras nas que o motor dubidou; Click to correct abre unha liña para revisión. A pestana percorre os segmentos dubidosos un a un, para que unha segunda persoa na mesa poida revisalos mentres o falante segue.
Cando un anfitrión reescribe unha palabra ou unha liña, mesmo unha que aínda se está pronunciando, todos os oíntes ven a corrección. Unha liña cuxa confianza é demasiado baixa ocúltase aos oíntes como Audio unclear en vez de mostrarse errada; o anfitrión segue vendo cada palabra. Un oco é unha lagoa coñecida; unha palabra errada pero segura é un rumor.
Esas correccións non desaparecen cando remata a charla.
Consérvase todo. A gravación, a súa transcrición con correccións e traducións, e o audio quedan na biblioteca do anfitrión. A repetición reprodúcea tal como chegou, liña a liña, co seu audio. Cando as palabras son definitivas, escríbese un título e un resumo en cada idioma, e as pestanas Summary e Export da pantalla do anfitrión levanos directamente do evento.
As exportacións son subtítulos SRT, PDF, Excel ou JSON, con correccións e traducións incluídas, e o audio descárgase en MP3. Cada transcrición é buscable en calquera idioma.
A vista Audience mostra quen escoitou, en que idioma e cando se uniu: moitas veces a primeira cifra real que obtén un organizador de quen necesitaba cada idioma. Ata entón, a estimación habitual era quen levantaba a man ao preguntarlle, en inglés, se precisaba tradución. Os identificadores dos oíntes elimínanse coa gravación.
O recoñecemento da fala, o recoñecemento de falantes e a síntese de voz execútanse en servidores que operamos, e o seu audio non se envía a ningún terceiro para o seu tratamento. Non usamos o seu audio, as transcricións nin as voces para adestrar modelos.
A retención segue o plan: en Pagamento por uso, o audio fonte e as voces consérvanse 7 días e as transcricións 30 días; Premium e Enterprise conservan todo mentres dure a conta. A outra cousa que decide un plan é a factura.
Importan dous números. En Pagamento por uso e en Premium, a transcrición en directo custa $0.60 por hora de audio, facturada por segundo cun mínimo de 5 minutos por transcrición, tanto no panel como a través da API; Enterprise ten tarifas por volume. Os oíntes e os idiomas son gratuítos: un evento dunha hora lido en cinco idiomas por douscentas persoas custa $0.60. Os ficheiros son máis baratos ($0.20 por hora) porque unha transcrición en directo funciona en tempo real durante todo o evento. Os plans difiren en concorrencia, duración máxima da gravación e velocidade de arranque; en Pagamento por uso un arranque en frío pode tardar ata 15 segundos, así que prema gravar un pouco antes de que o faga o falante, uns dous «Pode oírme todo o mundo ao fondo?» antes. A táboa completa está na páxina de prezos.
A páxina de inicio ten unha demo con dous teléfonos, e unha conta nova no panel inclúe un crédito de rexistro de $5 e non necesita tarxeta. Ao prezo en directo, ese crédito cobre máis de oito horas de emisión.
Dubidas entre isto e a tradución en directo que xa trae o teléfono de todos? Lee por que un teléfono non abonda para unha sala. Para un evento completo, a lista de verificación para conferencias multilingües cobre a ruta de audio, varias etapas nunha mesma ligazón e o orzamento. Os desenvolvedores poden facer todo isto desde código a través da referencia da API, á mesma tarifa.
