חדר רב־לשוני לא צריך תא לכל שפה. הוא צריך הזנת שמע נקייה אחת ממיקסר השמע, קישור אחד שהקהל פותח בטלפונים שלו, ודרך לתקן שם שנשמע לא נכון בזמן שהדיבור עדיין מתנהל.
הרצאה, שירות, שיעור או ישיבת מועצה מתנהלים עם דובר אחד וקהל שלא כולו חושב בשפה הזאת. התשובות הרגילות לכך יקרות, חלקיות או פרטיות.
התשובה היקרה היא מתורגמן לכל שפה. גם עם מתורגמן אחד לכל שפה, זה תא, מערכת מקלטים ומומחה לכל שפה בחדר, והמומחים לא אומרים בדיוק את אותו הדבר. כל מתורגמן מקבל החלטות משלו בלחץ הזמן: איזו מילה לבחור למונח, מה לקצר, מה להשמיט כשהדובר מאיץ. בהרצאה רגילה ההבדלים כמעט לא משנים. בדיון משפטי, בישיבת מועצה או בתדריך טכני הם כן משנים: מונח מוגדר, מינון או סעיף עלולים להגיע למאזינים הצרפתים במשמעות אחת ולמאזינים הערבים במשמעות אחרת, ואף אחד בחדר לא נמצא במצב שמאפשר לשים לב לכך. התשובה החלקית היא כתוביות על מסך אחד, בשפה משנית אחת. התשובה הפרטית היא חמישים טלפונים המופנים אל החדר: חמישים תמלולים מעט שגויים, שכל טלפון שומע בהם את ההד והשיעול באותה בהירות שבה הוא שומע את הדובר.
האלטרנטיבה היא לתמלל את הדובר פעם אחת, ממקור נקי, ולתרגם את התמליל האחד לכל שפה שהקהל צריך. כך כל שפה מתחילה מאותן מילים, ולכל מאזין נותנים לבחור בעצמו במכשיר שלו. ההקלטה נשמרת כשהאירוע מסתיים. להלן איך המארח והמאזין מגדירים את זה, ומה זה עולה.
תמלול בשידור חי יכול להאזין למיקרופון בכל מכשיר, להזנת RTMP מ־OBS או מכל מקודד אחר שמקבל כתובת שרת ומפתח זרם, ל־YouTube live, לתחנת רדיו באינטרנט או לכל כתובת שמגישה זרם. בזרם, VocalStack שואב את השמע בעצמו; אינכם צריכים להפעיל שום דבר מצדכם.
המקור חשוב יותר מכל הגדרה. מיקרופון בחדר, או טלפון על שולחן, שומע את הדובר ואת החדר: הד מהקירות, מהכיסאות ומהקהל. זיהוי דיבור נפגע בחדות כשהקול נחלש ביחס לרעש הזה, ולכן אותם חמישים טלפונים לא מסכימים זה עם זה. הזנה ממיקסר השמע נושאת את המיקרופון של הדובר עצמו עם מעט מאוד מהחדר, כך שהתמליל עוקב אחרי הדובר ולא אחרי החדר. אם יש במקום מיקסר, קחו ממנו את ההזנה.
השפה המדוברת מזוהה אוטומטית, והדובר רשאי לעבור שפה בכל רגע; ציון השפה מראש עוזר בהקלטות רועשות ובמבטאים כבדים. תוויות הדוברים יכולות להיות כבויות, דולקות, או When Needed, שמדליק אותן ברגע שנשמע דובר שני. כשהשמע מגיע, הקהל צריך מקום שבו ימצא אותו.
שידור הוא הקישור עצמו: כתובת אחת וקוד QR שהמאזינים סורקים כדי לפתוח את התרגום החי ולבחור שפה. הקישור נוצר משם השידור שתתנו לו. אם תשנו את השם מאוחר יותר, הקישור הישן ימשיך לעבוד, כך שקוד QR שהודפס בתוכנית האירוע לא יתיישן.
שידור הוא ציבורי כברירת מחדל: כל מי שיש לו את הקישור יכול לפתוח אותו. הפכו אותו לפרטי והגדירו סיסמה, ואז המאזינים יתבקשו להזין אותה לפני שהתמליל יופיע.
שידור אחד יכול להיות מוזן על ידי כמה תמלולים בשידור חי, כך שכנס עם שתי במות חולק קישור אחד. הקישור מכניס את האנשים; מה ששומר עליהם שם הוא לדייק את השמות.
מערכות זיהוי דיבור מאומנות על הדרך שבה אנשים מדברים בדרך כלל, ולכן כשצליל עמום הן נצמדות למילה הנפוצה. לשם מוצר, לשם משפחה, לכפר או לתרכובת כימית יש כמעט־הומופון נפוץ יותר, וזה מה שיוצא, אלא אם המערכת יודעת שהמילה הנדירה עומדת לבוא. לשם כך משמש התסריט. הוסיפו תסריט או שקפים לפני ההתחלה, והשמות והמונחים שבהם יגברו על מה שנשמע בטעות. דווקא בשמות ובמונחים זה נופל בדרך כלל בהרצאות מקצועיות. במהלך ההקלטה, לשונית התסריט עוקבת כמו טלפרומפטר ומדגישה את המילים שנאמרו עד כה.
זה כל ההגדרה. בצד השני של הקישור, יש עוד פחות מה לעשות.
מאזין צריך קישור או קוד QR, וטלפון. הוא פותח את הקישור בדפדפן ורואה The broadcast hasn't started yet עד שהמארח לוחץ על הקלטה, ואז Live. The first line appears in a moment. הוא בוחר מתוך השפות שהמארח בחר (עד 10 לכל תמלול, מתוך 100 זמינות), וקורא את התמליל כשהדובר מדבר. המארח ממשיך לדבר בשפה שלו. המאזין יכול לשנות שפה בכל רגע; התמליל שעד כה מוצג מחדש בשפה החדשה.
מאזין שמעדיף להאזין, כל שורה מתורגמת מוקראת בקול. כברירת מחדל, לכל דובר יש קול מוכן שונה, מתאים למינו, כך שפאנל עדיין נשמע כמו פאנל.
שלושת השלבים מתרחשים לפי הסדר, וכל אחד מחכה לקודמו. זיהוי הדיבור זקוק לקטע של דיבור לפני שיוכל להחליט על המילים, ולכן התמליל מפגר אחרי הדובר בחלקי שנייה. תרגום זקוק למשפט שלם, כי סדר המילים שונה משפה לשפה וסוף המשפט יכול לשנות את תחילתו, ולכן הוא עוקב אחרי שנייה או שתיים. דיבור זקוק למשפט המתורגם לפני שיוכל להתחיל, ולכן שורה מדוברת מגיעה אחרונה. אין בכך תקלה שצריך לכוונן; זה מה שכל מערכת שעושה את שלושת הדברים האלה חייבת לעשות, כולל מתורגמן אנושי, שגם הוא מחכה לפועל.
באישור הדובר, המארח יכול לשבט את הקול של הדובר מ־30 שניות של דיבור של אותו אדם לבדו (MP3, M4A או WAV; עדיף כמה דקות). התרגום יוקרא אז בקולו של הדובר בכל שפה. התייחסו לקול כאל נתון ביומטרי, כי זה מה שהוא. לפי ה־GDPR, עיבוד נתוני קול לצורך זיהוי אדם נופל בדרך כלל בקטגוריות המיוחדות של Article 9, ומדינות בארצות הברית, ביניהן אילינוי, מסדירות טביעות קול בנפרד. קבלו מהדובר הסכמה מפורשת לפני שהדגימה מוקלטת, לא אחריה; הקול ניתן למחיקה בכל עת. שיבוט גם רושם את הדובר, כך שיסומן בשמו בהקלטות עתידיות. המארח יכול להקצות קול לכל דובר, או להשתיק דובר.
מאזין שמגיע באיחור רואה את כל מה שנאמר לפני שנכנס, ואז ממשיך לעקוב בזמן אמת. אם החיבור נופל, הדף משלים את הפער בעצמו ברגע שהחיבור חוזר. כשהמארח משהה, המאזינים רואים Paused. The transcript continues when the host resumes. כשהמארח עוצר, הדף מציג את התאריך ואת אורך ההקלטה, והשידור מציג את ההקלטות הקודמות לצפייה חוזרת.
מאזין יכול לקרוא רק את מה שהמנוע שמע, וזיהוי חי טועה בחלק ממנו.
למסך המארח יש לשונית Fix בדיוק למטרה הזאת. Mark uncertain words מדגיש בצבע ובקו תחתון את המילים שהמנוע לא היה בטוח בהן; Click to correct פותח שורה לבדיקה. הלשונית עוברת על הקטעים הלא ודאיים אחד אחד, כך שאדם שני ליד השולחן יכול לעבור עליהם בזמן שהדובר ממשיך.
כשמארח משכתב מילה או שורה, אפילו שורה שעדיין נאמרת, כל מאזין רואה את התיקון. שורה שהביטחון בה נמוך מדי מוסתרת מהמאזינים כ־Audio unclear ולא מוצגת שגויה; המארח עדיין רואה כל מילה. רווח ריק הוא פער ידוע; מילה שגויה בביטחון מלא היא שמועה.
התיקונים האלה לא נעלמים כשהשיחה מסתיימת.
הכול נשמר. ההקלטה, התמליל שלה עם התיקונים והתרגומים, והשמע נוחתים בספרייה של המארח. צפייה חוזרת מנגנת את ההקלטה בדיוק כפי שהגיעה, שורה אחר שורה, עם השמע שלה. ברגע שהמילים סופיות, נכתבים כותרת וסיכום בכל שפה, והלשוניות Summary ו־Export במסך המארח מוציאות אותם ישירות מהאירוע.
הייצוא הוא כתוביות SRT, PDF, Excel או JSON, כולל התיקונים והתרגומים, והשמע יורד כ־MP3. אפשר לחפש בכל תמליל, בכל שפה.
התצוגה Audience מציגה מי האזין, באיזו שפה ומתי הצטרף: לעיתים זו הספירה האמיתית הראשונה שמארגן מקבל לגבי מי נזקק לאיזו שפה. עד אז, האומדן המקובל היה מי שהרים יד כשנשאל, באנגלית, אם הוא זקוק לתרגום. מזהי המאזינים נמחקים יחד עם ההקלטה.
זיהוי דיבור, זיהוי דוברים וסינתזת קול פועלים על שרתים שאנחנו מפעילים, והשמע שלכם אינו נשלח לאף צד שלישי לצורך עיבוד. אנחנו לא משתמשים בשמע, בתמלילים או בקולות שלכם לאימון מודלים.
שמירת הנתונים תלויה במסלול: במסלול תשלום לפי שימוש, שמע מקור וקולות נשמרים 7 ימים, ותמלולים נשמרים 30 יום; ב־Premium וב־Enterprise הם נשמרים כל עוד החשבון קיים. הדבר הנוסף שהמסלול קובע הוא החיוב.
שני מספרים חשובים. במסלול תשלום לפי שימוש וב־Premium, תמלול בשידור חי עולה $0.60 לשעה של שמע, מחויב לפי שנייה עם מינימום של 5 דקות לכל תמלול, בלוח הבקרה וגם דרך ה־API באותה מידה; ל־Enterprise יש תעריפי נפח. מאזינים ושפות הם חינם: אירוע של שעה שנקרא בחמש שפות על ידי מאתיים איש עולה $0.60. קבצים זולים יותר ($0.20 לשעה), כי תמלול בשידור חי רץ בזמן אמת לכל אורך האירוע. המסלולים נבדלים במספר השידורים במקביל, באורך ההקלטה המרבי ובמהירות ההפעלה; במסלול תשלום לפי שימוש, התחלה קרה יכולה לקחת עד 15 שניות, לכן לחצו על הקלטה קצת לפני שהדובר מתחיל, בערך משפט אחד כמו „האם כולם בשורה האחרונה שומעים אותי?”. הטבלה המלאה נמצאת בעמוד המחירים.
בדף הבית יש הדגמה עם שני טלפונים, וחשבון חדש בלוח הבקרה מגיע עם קרדיט הרשמה של $5 ואינו דורש כרטיס. לפי התעריף החי, הקרדיט מכסה יותר משמונה שעות שידור.
מתלבטים בין זה לבין התרגום החי שמובנה בטלפון של כולם? קראו מדוע טלפון אינו מספיק לחדר. לאירוע מלא, רשימת הבדיקה לכנס רב־לשוני מכסה את מסלול השמע, כמה שלבים על קישור אחד והתקציב. מפתחים יכולים לעשות את כל זה מקוד דרך מדריך ה־API, באותו תעריף.
