המילים שמערכת זיהוי דיבור טועה בהן בשירות דתי או בישיבת מועצה הן אלה שכבר כתובות על הדף. תנו לה את סדר היום, קחו את השמע משולחן הערבוב ולא מהחדר, ואירוע שבועי יעלה פחות מהקפה שאחריו.
שירות של יום ראשון, הרצאה ביום שלישי וישיבה חודשית של מועצה דומים יותר ממה שנדמה. כל אחד מהם חוזר על עצמו שוב ושוב באותו חדר, כל אחד מופעל בידי מתנדב או פקיד ולא בידי חברת הגברה, וכל אחד משרת אנשים שהיו מתמצאים טוב יותר בשפה אחרת, אנשים ששומעים לא טוב ואנשים שלא יכלו להגיע כלל. התקציב קטן, והאנשים שמפעילים אותו מתחלפים. מי שהקים את המערכת בשנה שעברה עבר בדרך כלל לתורנות הפרחים.
המאמר הזה עוסק בהקמה חד-פעמית של VocalStack לחדר כזה, כך שכל שבוע אחר כך יהיה עניין של לחיצה על התחלה. הוא עוסק גם במספר הדברים שקובעים אם המילים על המסך נכונות. לגרסה החד-פעמית, כנס עם כמה במות, ראו הרצת כנס רב-לשוני עם כתוביות בשידור חי. נתחיל במה שתדפיסו.
שידור הוא קישור ציבורי אחד וקוד QR. כל אחד יכול לפתוח את הקישור בדפדפן, לבחור שפה ולקרוא תוך כדי שהדובר מדבר. אין מה להתקין ואין חשבון ליצור. לשידור אחד אפשר לחבר כמה תמלולים בשידור חי שתרצו, כך שהקלטה של יום ראשון זה והקלטה של השבוע הבא מופיעות באותה כתובת.
הדפיסו את קוד ה-QR פעם אחת והציבו אותו על לוח המודעות, בסדר הפולחן, על שקפי ההרצאה או על קיר הגלריה הציבורית. המאזינים סורקים אותו כדי לפתוח את התרגום החי ולבחור שפה. אם תשנו פעם את הקישור, הישן ימשיך לפתוח את אותו שידור, כך שהעלונים מהשנה שעברה עדיין עובדים.
מאזין שפותח את הקישור מוקדם מדי יראה שהשידור עוד לא התחיל. מי שמצטרף באיחור יראה את כל מה שנאמר לפני שהגיע, ואחר כך ימשיך לעקוב אחרי השידור החי. מאזין שהחיבור שלו נותק ישלים את החסר בעצמו.
שידור הוא ציבורי כברירת מחדל, וזה נכון לשירות דתי או לישיבת מועצה, ולא נכון לישיבה סגורה או לסמינר. לאלה, עברו למצב פרטי והגדירו סיסמה: רק מי שיש לו את הסיסמה יכול לפתוח את הקישור, והוא מתבקש להזין אותה לפני שהתמליל מופיע. בכל מקרה, כתבו במקום גלוי שהחדר מתומלל ולאן הטקסט הולך. אנשים שמתפללים בקול רם, או שמדברים שלוש דקות בזמן הערות הציבור, לא בהכרח הגיעו מתוך ציפייה לתמליל. שורה שאומרת זאת בסדר הפולחן או בסדר היום עולה מעט. צרו את השידור ב-{{app}}/broadcasts/new.
קישור הוא רק חצי מהעניין; מישהו צריך להזין בו מילים.
לפני כל תוכנה, יש את השמע. חדרים שנבנו לקהילות או למועצות נבנו להד: אבן, תקרות גבוהות, ספסלי עץ. טלפון או מחשב נייד על הפודיום שומע את הדובר פעם אחת ישירות, ואז עוד כמה פעמים מהקירות. המרחק וההד הם הגורם הבודד הגדול ביותר לשגיאות זיהוי, הרבה לפני מבטאים. אם יש בחדר שולחן ערבוב, קחו את ההזנה משם (יציאת aux או הקלטה), כך שמערכת הזיהוי תשמע את מה ששומעים המיקרופונים. מי שזז בחדר, כמו הכומר שיוצא מהבמה או המרצה ליד הלוח, צריך לענוד מיקרופון צמידי או דיבורית ולא להסתמך על מיקרופון על עמוד. תקנו את זה, ורוב השאר הוא כוונון.
ברוב הכנסיות, האוניברסיטאות והמועצות כבר מוציאים את שמע השולחן לאיפשהו, ותמלול בשידור חי יכול לקחת אותו משם, ולא ממכשיר שנמצא בחדר.
בזרם, VocalStack שולפת את השמע בעצמה; אין שום דבר שרץ אצלכם. הכתובת חייבת להיות נגישה מהאינטרנט. זרם שקיים רק ברשת הפנימית שלכם צריך להיקלט ממכשיר שנמצא בחדר. התחילו תמלול בשידור חי ב-{{app}}/transcriptions/new/live וחברו אותו לשידור.
אחרי שהשמע הטוב מגיע, השגיאות שתבחינו בהן עוד יהיו הצפויות.
המילים שמערכת זיהוי דיבור טועה בהן בכנסייה, בהרצאה או בחדר ישיבות הן צפויות: שמות של אנשים ומקומות, הפניות לפסוקים, מונחים טכניים, הפריטים בסדר היום. הסיבה מבנית. מערכת זיהוי בוחרת את המילים הסבירות ביותר לנוכח הצליל, והיא לומדת את ההסתברויות האלה ממה שאנשים אומרים בדרך כלל. לכן שם משפחה נדיר תמיד מפסיד למילה נפוצה שנשמעת דומה לו. התשובה שהתחום נותן לבעיה, שנקראת biasing או אוצר מילים מותאם (custom vocabulary), היא לומר למערכת אילו מילים נדירות לצפות להן. התובנה השימושית לחדר שמתכנס מדי שבוע היא שאלה בדיוק המילים שכבר כתובות לפני האירוע.
הוסיפו סקריפט או שקפים לפני ההתחלה. שמות ומונחים שמופיעים בהם גוברים על מה שמערכת הזיהוי שמעה לא נכון. אף אחד לא צריך לקרוא אותם מילה במילה; תוכן הדרשה, החוברת או סדר היום שפורסם כבר מכילים את רוב השמות הפרטיים. במהלך ההקלטה, הלשונית Script במסך המארח עוקבת אחרי הדובר כמו טלפרומפטר, ומאירה את המילים שנאמרו עד כה.
אפשר לכתוב סקריפטים מראש ולתת להם שעת התחלה; הספרייה מציגה אותם תחת Upcoming עם כפתור Start. זה מתאים לתורנות: אדם אחד מוסיף את הטקסט ביום שישי, ואחר לוחץ על Start ביום ראשון.
אם מילה עדיין יוצאת שגויה, הלשונית Fix מסמנת מילים לא ודאיות ומאפשרת למארח ללחוץ על שורה כדי לתקן אותה בזמן שההקלטה חיה; המאזינים רואים את התיקון.
לדעת את המילים נכון זו מחצית העניין; המחצית האחרת היא לדעת מי אמר אותן.
מתג תיוג הדוברים מתחלף בין שלוש עמדות. When Needed מתייג כל שורה בשם הדובר ברגע שנשמע יותר מקול אחד; אחרת התמליל הוא טקסט רגיל. On מתייג כל שורה, גם כשיש דובר אחד. Off נותן טקסט רגיל. בדרשה, When Needed אומר שקול אחד נקרא כפרוזה; במועצה של תריסר חברים, כל שורה נושאת את שם הדובר.
בהתחלה התוויות הן מספרים. בהקלטה אפשר לתת שם לדובר, והשם חל על כל השורות שלו. לאנשים שמדברים בכל שבוע, אפשר ללכת צעד נוסף ולשמור את הקול שלהם. אפשר ליצור קול מכל דובר שמדבר לפחות שלושים שניות בהקלטה, או מהקלטה קצרה שהם מספקים. מעכשיו הדובר מזוהה ומתויג בשמו בהקלטות הבאות, ואם המאזינים בוחרים לשמוע את התרגום מוקרא, הוא מוקרא בקולו של הדובר בכל השפות. בלי שיבוט, לכל דובר יש קול מוכן שונה בעל המגדר המתאים, ואפשר להשתיק כל דובר.
קול משובט הוא נתון ביומטרי. VocalStack יוצרת אחד כזה רק בהסכמה מפורשת של הדובר, משתמשת בו רק כדי להקריא בקול את השורות של אותו דובר, ומאפשרת לכם למחוק אותו בכל עת. חברי מועצה ואנשי דת הם אישים ציבוריים בחדר שלהם, אבל זה לא אותו דבר כמו הסכמה, ולכן שאלו.
במועצה, כאן התמליל הופך לפרוטוקול. כשכל שורה מתויגת בשם, סוף סוף הפרוטוקול מראה מי אמר „אני חושב שכבר דנו בזה” בפעם הרביעית. וזה מעלה את השאלה למי הפרוטוקול מיועד.
הנהנים הראשונים הם המתפללים הקבועים שחרשים או כבדי שמיעה, ולא המבקרים שקוראים בשפה אחרת, שגם הם מוזמנים כמובן. לולאת שמיעה (induction loop) עוזרת לאנשים עם מכשירי שמיעה ואינה מועילה לאף אחד אחר; כתוביות בטלפון עוזרות לשאר, ושתי הדרכים משלימות זו את זו ולא מתחרות. גופים ציבוריים במקומות רבים נושאים בחובות נגישות ובחובות של ישיבות פתוחות, ותמליל שהציבור יכול לקרוא בזמן אמת ואחר כך תורם הרבה לשניהם. בדקו מה חל עליכם במקומכם.
היו כנים לגבי מה הן כתוביות אוטומטיות. מתמללת אנושית (השירות נקרא CART בכמה מדינות) מקשיבה, מבינה ומקלידה. בדיון סוער במועצה, שבו שלושה חברים מדברים יחד, אדם עדיין יעלה על מכונה. דיבור חופף מייצר שגיאות בכל מערכת אוטומטית, וכך גם היושב ראש שממלמל מחוץ למיקרופון. במקום שיש דרישה משפטית לכתוביות מילה במילה, כתוביות אוטומטיות הן השלמה ולא תחליף; במקום שהחלופה היא כלום, הן שיפור גדול מאוד על כלום.
התמליל שווה גם יותר למחרת.
כל הקלטה נכנסת לספרייה שלכם, ודף השידור מציג הקלטות קודמות לכל מי שיש לו את הקישור. מי שפספס את הישיבה יכול להשמיע אותה בדיוק כפי שהגיעה, שורה אחר שורה, יחד עם השמע.
ברגע שהמילים סופיות, נכתבים כותרת וסיכום בכל השפות. חיפוש בשפה שלכם מוצא גם הקלטות שנעשו בשפה אחרת, כך שפקיד יכול למצוא את החודש שבו נדון סעיף מסוים, וסטודנט את ההרצאה שכיסתה נושא בקורס. הייצוא מתבצע בפורמטים של כתוביות SRT, PDF, Excel או JSON, כולל תיקונים ותרגומים; קובץ PDF של התמליל המתורגם מתאים מאוד לצד הפרוטוקול. אם חלק מזה צריך לקרות בלי שאדם ילחץ על משהו, ה-API עושה כל מה שלוח הבקרה עושה, באותו קצב, בכל מסלול: ראו {{api}}/docs.
הכול צריך לשרוד תקציב של קהילה או ועדה.
תמלול בשידור חי עולה $0.60 לשעה של שמע, מחויב לפי שנייה עם מינימום של 5 דקות לכל תמלול, בכל המסלולים. המאזינים חינם, לא משנה כמה יהיו, ותרגום לעד 10 שפות לכל תמלול כלול.
חשבון חדש מגיע עם קרדיט הרשמה חד-פעמי של $5, בלי לבקש כרטיס. הקרדיט מכסה יותר מחודש של ימי ראשון. אחר כך טוענים כסף לפי הצורך, או לוקחים את Premium ב-$50 לחודש ($40 לחודש בחיוב שנתי). Premium כולל $50 קרדיט בכל חודש, שהם 83 שעות בשידור חי. הוא גם שומר כל הקלטה לאורך חיי החשבון במקום 30 יום, ואינו מפסיק תמלול באמצע ישיבה אם הקרדיט אוזל. שתי הערות מעשיות לגזבר. במסלול תשלום לפי שימוש, תמלול יכול להתחיל עד 15 שניות ממצב קר, אז לחצו על התחלה לפני השיר הפותח ולא במהלכו. ושידור חי ב-YouTube שכבר הסתיים הוא סרטון, ולכן הוא מתומלל כקובץ, בתעריף הקבצים הנמוך בהרבה.
למוסד אחד ואירוע חוזר אחד, תשלום לפי שימוש מספיק. למוסד שרוצה שכל הקלטה תהיה ניתנת לחיפוש שנים אחר כך, או שמפעיל כמה חדרים בבת אחת, Premium הוא הבחירה. הטבלה המלאה, עם המגבלות והשמירה, נמצאת בדף המחירים, וההדגמה האינטראקטיבית מראה מה רואה מאזין.
