Transcrición e tradución en tempo real explicadas: como funciona a fala a texto en directo, canto atrasa, que afecta á precisión e canto custa.
A transcrición en tempo real converte a fala en texto mentres a persoa aínda está falando. As palabras aparecen en pantalla un momento despois de dicirse, asentan en liñas definitivas e pode lelas quen siga a charla. Engade tradución en tempo real e cada lector pode seguir a mesma fala no seu idioma, como texto ou en voz alta.
Esta guía cobre a transcrición e a tradución en tempo real desde os dous lados: o que ve un oínte, de onde pode vir o audio, o que decide a precisión, o que reciben os desenvolvedores dunha API e o que custa.
A transcrición en tempo real, tamén chamada transcrición en directo ou fala a texto en directo, é recoñecemento de fala que funciona mentres o audio aínda está a chegar. Un ficheiro gravado pódese transcribir coa gravación enteira á man. Unha transcrición en directo ten que comprometerse coas palabras sabendo só os últimos segundos, e seguir o ritmo de quen fala mentres fale.
As lendas en directo son o mesmo, mostrado en liñas curtas sobre un vídeo ou nunha pantalla.
En VocalStack unha transcrición en directo pode escoitar en 100 idiomas. Detecta soa o idioma falado e segue a quen fala se cambia, o que explica como funciona a detección automática de idioma, xunto con cando convén nomear o idioma de antemán.
O texto chega en dúas etapas. As palabras máis novas aparecen primeiro como un borrador, que aínda pode cambiar conforme entra máis audio. Un momento despois, o borrador asenta nunha liña definitiva que xa non volve cambiar.
O borrador existe porque un recoñecedor decide unha palabra en parte por o que a segue. «Ice cream» e «I scream» soan igual ata que chega a palabra seguinte. Amosar cedo a hipótese é o que fai que unha transcrición se sinta en directo.
Canto atrasa o texto respecto de quen fala depende da etapa:
Dous atrasos quedan fóra desa cadea. Cando a fonte é unha emisión pública e non un micrófono, a propia emisión xa vai por detrás do seu borde en directo: un ou tres segundos nunha radio de internet simple, e de varios segundos a medio minuto en HLS. E en Pay as you go, unha transcrición en directo pode tardar ata 15 segundos en arrancar. O desglose completo, incluídos os modos de latencia Auto, Fast e Accuracy, está en a latencia da tradución en directo, explicada.
A tradución funciona sobre a transcrición. Unha transcrición en directo pódese traducir a ata 10 idiomas á vez, escollidos entre 100. Cada oínte escolle un deles no seu propio dispositivo e pode cambialo en calquera momento; a transcrición ata ese punto móstrase de novo no idioma novo.
Todos os idiomas tradúcense desde a mesma transcrición, así que cada oínte recibe as mesmas palabras, e unha corrección chega a todos.
Un oínte que prefira escoitar a ler pode facer que cada liña traducida se lea en voz alta. Por defecto cada falante recibe unha voz estándar distinta que coincide co seu xénero, así que un panel segue soando coma varias persoas. Co consentimento dun falante, un anfitrión pode clonar a súa voz a partir duns 30 segundos de fala en solitario, e a tradución lese entón coa súa propia voz.
A regra das voces é estreita adrede. Unha voz só le o que dixo esa mesma persoa, traducido a un idioma que escolleu o oínte. Nunca le texto que alguén escribe, e nunca le as palabras dun falante coa voz doutro.
Como funciona isto para unha sala enteira, desde a configuración do anfitrión ata quen chega tarde, está en unha ligazón, todos os idiomas.
Unha transcrición en directo necesita unha fonte de audio. Estas son as que VocalStack admite hoxe:
As lendas dentro do propio reprodutor de YouTube, co seu botón CC, están próximamente. Ata entón, os espectadores dunha emisión de YouTube seguen as lendas na ligazón da emisión.
Se necesitas transcrición en directo en Windows hoxe, a extensión de Chrome ou Edge, o complemento de OBS e o panel nun navegador funcionan alí.
Unha emisión é como outras persoas seguen unha transcrición en directo. É unha ligazón e un código QR. Os oíntes ábrena nun navegador, escollen un idioma e len. Non precisan conta, non instalan nada e non custan nada: a factura non cambia co número de oíntes nin de idiomas.
Unha emisión é pública por defecto e pódese protexer cun contrasinal. Se renomeas a súa ligazón, a antiga segue funcionando, así que un QR impreso nun programa non se queda obsoleto. Unha emisión pode levar varias transcricións en directo, así que dous escenarios poden compartir unha ligazón.
Un oínte que chega tarde ve todo o que se dixo antes de entrar, e despois segue en directo. Despois, a vista Audience mostra quen escoitou, en que idioma e cando se uniu.
Para eventos, a lista de verificación para conferencias multilingües cobre audio, escenarios e orzamento, e transcrición en directo para igrexas, aulas e salas de plenos cobre a versión semanal da mesma montaxe.
Todo o anterior pódese facer desde código. Para audio en directo na túa propia aplicación, a API ten sesións en tempo real: o teu servidor fai unha chamada a POST /v1/realtime/sessions cunha clave de API e recibe un streamUrl de vida curta. O teu cliente abre un WebSocket cara a el, envía audio en bruto conforme se captura e le a transcrición de volta como tramas JSON.
As tramas seguen as mesmas dúas etapas que ve un lector. Un transcript.draft substitúe a cola en directo, un transcript.committed engade unha liña definitiva, e coa tradución activada chegan frases enteiras coas súas traducións anexas. Os idiomas de destino, as etiquetas de falante e o modo de latencia pódense cambiar durante a sesión con session.update.
Unha sesión en tempo real non almacena nada. Cando queres que as palabras se garden, se corrixan e se compartan cun público, publicas o audio nunha transcrición en directo e nunha emisión. Os SDK oficiais para TypeScript, Python e PHP envolven ambas, e un servidor MCP permite que un asistente de IA use a mesma conta.
O titorial de WebSocket constrúe paso a paso unha vista de lendas funcional, e a referencia da API ten cada campo. O uso da API factúrase á mesma tarifa ca o panel.
A precisión decídese sobre todo antes de que funcione calquera recoñecedor, polo audio que recibe. Catro cousas marcan máis a diferenza.
O micrófono. Un micrófono preto de quen fala, ou un sinal da mesa de mestura do local, leva a voz con pouca sala dentro. Un móbil sobre unha mesa escoita a quen fala máis o eco, as cadeiras e as tosidas. Este é o factor individual máis importante, e por que un móbil non chega para unha sala explica por que.
Ruído e solapamento. O ruído de fondo causa palabras perdidas e inventadas, e dúas persoas falando á vez confunden tanto as palabras como quen as dixo. Erros na transcrición de audio lista sete causas comúns, como é cada unha e como arranxala.
Un guion de referencia. Os nomes e termos coñecidos recoñécense tal cal. Os nomes de produto dunha empresa, unha sigla interna ou o apelido pouco común dun convidado non se poden saber de antemán, así que engade un guion ou diapositivas antes de comezar, e os nomes e termos que levan escribiranse exactamente como os escribiches.
Etiquetas de falante. As etiquetas poden estar en Off, On ou When Needed, que as activa cando se oe un segundo falante. Diarización de falantes fronte a recoñecemento de fala explica como as dúas respostas, o que se dixo e quen o dixo, son separadas e se arranxan por separado.
O modo de latencia tamén importa: Fast saca o texto antes pero revisa máis del, Accuracy agarda un pouco máis.
Unha soa cifra de precisión di menos do que parece. A taxa de erro de palabras conta un nome errado igual que un «the» omitido, e por iso o que mide a taxa de erro de palabras, e o que se lle escapa defende xulgar un sistema polos erros que deixa detectar e corrixir.
Ningunha transcrición en directo é perfecta, así que a pantalla do anfitrión ten unha pestana Fix. Pode marcar as palabras das que o recoñecedor non estaba seguro, e calquera liña pódese abrir e corrixir. Unha segunda persoa na mesa pode repasalas mentres quen fala segue.
Cando o anfitrión reescribe unha palabra ou unha liña, mesmo unha que aínda se está dicindo, cada oínte ve a corrección, en todos os idiomas. Unha liña oída con demasiado pouca confianza ocúltase aos oíntes como «Audio unclear» en vez de mostrarse errada; o anfitrión aínda a ve.
A gravación gárdase coa súa transcrición, correccións e traducións. Despois podes:
Canto tempo se gardan o audio e as transcricións depende do plan, e a páxina de prezos indícao.
A maioría das ferramentas de transcrición en directo parécense nunha demostración; as diferenzas aparecen nas preguntas de abaixo. A columna da dereita describe VocalStack tal como é hoxe.
| Pregunta | Por que importa | VocalStack |
|---|---|---|
| Que idiomas pode escoitar? | Unha ferramenta que non pode transcribir o idioma de quen fala non axuda, por boa que sexa a súa tradución. | 100 idiomas, detectados automaticamente, con cambio durante a charla |
| Canto vai o texto por detrás de quen fala? | Os lectores notan máis un atraso crecente que unha palabra errada ocasional. | Texto orixinal unha fracción de segundo por detrás, tradución un ou dous segundos despois; tres modos de latencia |
| Traduce, e quen escolle o idioma? | Un idioma de subtítulos nunha pantalla deixa fóra a todos os demais. | Ata 10 idiomas por transcrición, cada oínte escolle o seu |
| Pode dicir a tradución en voz alta? | Algúns oíntes non poden ler ou prefiren non facelo. | Voces estándar por defecto; a voz propia clonada dun falante co seu consentimento |
| Como chega ao público? | As aplicacións e as contas perden xente á porta. | Unha ligazón e un código QR, sen conta, contrasinal opcional |
| Pódense corrixir os erros en directo? | Un nome mal oído repetido durante unha hora fai dano de verdade. | Correccións en directo enviadas a cada oínte |
| De onde pode vir o audio? | A túa montaxe non debería ter que cambiar para adaptarse á ferramenta. | Micrófono, extensións de navegador, aplicación de escritorio, OBS, RTMP, ligazóns a emisións |
| Hai unha API? | Pode que queiras lendas dentro do teu propio produto. | API REST e WebSocket, SDK, servidor MCP, mesma tarifa ca o panel |
| Como se cobra? | O prezo por oínte ou por praza medra co teu público. | Por segundo de audio; oíntes e idiomas gratis |
En VocalStack pagas por segundo de audio transcrito. No momento de escribir isto, a transcrición en directo custa $0.60 por hora e os ficheiros $0.20 por hora, en todos os plans, no panel e pola API por igual. A tradución, as voces, os resumos, a emisión e os oíntes nunca engaden nada á factura, así que unha charla dunha hora lida por 200 persoas en cinco idiomas custa os mesmos $0.60 ca unha que non le ninguén.
Os plans difiren en poucas cousas:
Se ninguén necesita ler segundo ocorre, sube a gravación despois á tarifa de ficheiros. Os prezos, a retención e os límites actuais de cada plan están na páxina de prezos.
Unha conta nova de VocalStack vén con $5 de crédito de rexistro e non precisa tarxeta. A $0.60 por hora son unhas oito horas de transcrición en directo, con tradución e emisión incluídas. Despois pagas por segundo. Os oíntes son sempre gratis.
Si. Unha transcrición en directo pódese traducir a ata 10 idiomas á vez mentres a persoa fala. A tradución aparece un ou dous segundos despois do texto orixinal, e cada oínte escolle o seu idioma.
Depende sobre todo do audio. Un micrófono próximo ou un sinal da mesa, pouco ruído de fondo, unha persoa falando de cada vez e un guion de referencia cos nomes dan os mellores resultados. As correccións en directo permiten ao anfitrión arranxar o que aínda estea mal mentres a charla segue.
O texto no idioma orixinal vai por detrás de quen fala unha fracción de segundo, e as traducións seguen un ou dous segundos despois. Unha emisión pública engade o seu propio atraso antes de que o audio chegue a VocalStack.
Si, mediante a extensión de Chrome ou Edge, o complemento de OBS Studio, ou o panel nun navegador. A aplicación de escritorio está hoxe en macOS, e Windows chega pronto.
Non. Os oíntes abren a ligazón da emisión ou escanean o seu código QR nun navegador, escollen un idioma e len. Non hai nada que instalar.
Abre o panel, inicia unha transcrición en directo desde o micrófono e abre a súa ligazón de emisión no móbil. O crédito de rexistro cobre as túas primeiras horas, e podes ver por ti mesmo como os borradores se asentan e a tradución os segue.