הדיוק של תרגום חי נקבע בעיקר לפני שמודל כלשהו רץ, לפי המקום שבו נמצא המיקרופון. קחו את השמע משולחן הערבוב, לא ממושב בשורה שתים־עשרה, תמללו פעם אחת, וטעות הופכת לשורה אחת שאפשר לתקן עבור כולם.
אפליקציות התרגום המובנות בטלפונים הן הישג אמיתי. הן רצות לרוב על מודל דיבור קטן מספיק כדי להיכנס למכשיר ולסוללה שלו (חלקן שולחות את השמע לשרת כשיש חיבור), ולמשפטים קצרים, ברורים ויומיומיים הן עושות את העבודה: שאלה על כיוון, קריאת תפריט, שיחה ליד הדלפק.
קהל בחדר שמקשיב לדובר אחד הוא בעיה אחרת. הדברים שמשתבשים בדיבור אמיתי הם בדיוק הדברים שמודל קטן טוב בהם הכי פחות: מילים נדירות ושמות, מילים שנשמעות דומה („their” ו־„there”, „sail” ו־„sale”), מונחים טכניים, מבטאים, אנשים שמדברים זה על זה, ורעשי רקע. במועדון שייט, מודל ששומע „sale” עשה ניחוש סביר וטעה בביטחון.
שני דברים גורמים למודל הקטן לנחש יותר ממודל גדול. הוא דחוס כדי להיכנס לטלפון, ולכן הוא מכיר פחות מילים ופחות דרכים לומר אותן; ובמקרה של שם משפחה שלא פגש, הוא מקרב אותו רק מהצלילים. וזיהוי חי חייב להכריע במילה לפני שהמשפט כולו הגיע, ולכן המודל לא יכול להשתמש במה שהיה מכריע בין „sail” ל־„sale”: המילים שבאות אחריה, או תסריט שאומר על מה ההרצאה. בזיהוי דיבור, הקשר פירושו בדיוק שני הדברים האלה: המילים שסביב, ומה שידוע מראש.
כשהמודל לא בטוח, הוא מנחש. התרגום נבנה אז על הניחוש, והקורא לא יכול לדעת זאת. איש בחדר לא יכול לראות שהשורה הייתה שגויה, ובטח שלא לתקן אותה. וחדר הוא לא מאזין אחד אלא חמישים.
הטלפון שומע את החדר, לא את הדובר. המרחק הוא הסיבה: דש או מיקרופון שולחן נמצאים כמה סנטימטרים מהפה, ואילו טלפון בשורה שתים־עשרה נמצא במרחק של עשרה מטרים או יותר, ורוב מה שמגיע אליו קודם נקלט מהקירות, מהתקרה ומגבי הכיסאות. צליל מוחזר מגיע מאוחר ומטושטש. מעל לכך הטלפון קולט את מי שמשתעל שתי שורות אחורה, את הלחישה של השכן, ואת מה שהרמקולים עושים לקול בדרכו לאורך האולם. כל מושב מקבל הקלטה מעט שונה, ולכן כל מושב מקבל תמליל מעט שונה.
גם תרגום בטלפון מיועד לאדם אחד. חמישים משתתפים שמרימים חמישים טלפונים מייצרים חמישים תמלילים עצמאיים של אותה הרצאה, עם חמישים סטים שונים של טעויות. שני אנשים שמשווים הערות אחר כך לא יסכימו על מה שנאמר. הדובר, בינתיים, מדבר אל קיר של טלפונים מורמים, וזה קהל קשה לקריאה.
עבור חלק מהאנשים בחדר זו יותר מאי נוחות; זה מכריע אם הם יכולים לעקוב אחרי ההרצאה בכלל. משתתף עם לקות שמיעה, או מי שעוקב בשפה שלישית, צריך טקסט משותף אחד ונכון, לא חמישים מאמצים הטובים ביותר. לכן צריך לתמלל את הדובר פעם אחת ולתת לכולם את אותה תוצאה. תמלול פעם אחת משתלם רק אם עושים אותו היטב, והדבר מתחיל במקום שממנו מגיע השמע.
התמליל טוב רק כמו השמע שממנו נעשה. לכן ההחלטה הראשונה אינה איזה מודל להשתמש, אלא איזה אות להזין לו. ההחלטה השנייה היא מה לומר למודל לפני שהוא מתחיל.
תמלול בשידור חי לוקח את השמע מהמקום שבו האות הנקי כבר קיים:
VocalStack שולף בעצמו זרם מכתובת, כך שלא רץ שום דבר מצדכם. זרם RTMP פועל בכיוון ההפוך: המקודד שלכם דוחף אותו. שפת הדובר מזוהה אוטומטית, והוא עשוי לעבור בין שפות בכל רגע. אם אתם יודעים את השפה וההקלטה רועשת או עם מבטא כבד, ציון השפה משפר את הדיוק.
שמע נקי מסיר את הטעויות שנגרמות מהחדר. הוא לא עושה דבר לטעויות שנגרמות מאוצר המילים, ואלה דורשות עזרה מסוג אחר.
לטלפון אין מושג מי מדבר או על מה ההרצאה, ולכן שם מוצר או שם משפחה הם רק עוד צליל לקרב. שידור יכול לקבל מראש הכוונה למה לצפות.
אם תוסיפו תסריט או שקופיות לפני ההתחלה, השמות והמונחים שבהם יגברו על מה שהמנוע שמע לא נכון. במהלך ההקלטה הלשונית Script עוקבת אחרי הדובר כמו טלפרומפטר. זהו שיפור הדיוק הגדול ביותר לסוג הדיבור שממלא כנסים והרצאות: צפוף בשמות פרטיים ובאוצר מילים שאף מודל כללי לא שמע מספיק פעמים.
שמע טוב ומילון מונחים מסירים את רוב השגיאות. השאלה היא מה קורה לשגיאות שנשארות.
גם עם שמע טוב ותסריט, חלק מהשורות יצאו שגויות. ההבדל הוא מה קורה אחר כך.
בטלפון, כלום. השורה השגויה נגללת הלאה, והתרגום שנבנה עליה נגלל יחד איתה.
בשידור, שורה לא ברורה מספיק כדי להציג מוסתרת מהמאזינים כ־„Audio unclear”, ולא מוצגת כעובדה.
ואז יש את המארח, שיש לו הלשונית Fix: המילים שהמנוע לא היה בטוח בהן יכולות להיצבע ולקבל קו תחתון, לחיצה פותחת שורה לבדיקה, וניתן לכתוב מחדש כל מילה או שורה בזמן שהתמלול עדיין חי. כל מאזין רואה את התיקון בשפה שלו. כל תיקון מסומן וניתן לביטול.
העניין אינו שהשרת אף פעם לא טועה. העניין הוא שהטעות גלויה, שמישהו בחדר אחראי לה, ושהיא מתוקנת פעם אחת לכולם.
תיקונים משנים את מה שהמאזינים קוראים. מי שמעדיף לשמוע את ההרצאה מקבל את אותו טקסט מתוקן, מושמע.
מאזין שמעדיף להקשיב על פני לקרוא יכול לקבל כל שורה מתורגמת מושמעת בקול. כברירת מחדל לכל דובר מוקצה קול מוכן שונה, בעל המין המתאים, כך שפאנל עדיין נשמע כמו פאנל. אפשר להקצות קול לכל דובר, או להשתיק דובר אחד.
בהסכמתו של הדובר אפשר ללכת צעד נוסף ולשבט את הקול שלו משלושים שניות של דיבור, בין אם הועלה כקטע ובין אם נלקח ישירות מדובר בהקלטה; כמה דקות נותנות תוצאה טובה יותר. התרגום מושמע אז בקולו של הדובר בכל שפה. דובר עם קול שמור יכול גם להיזהות בהקלטות מאוחרות יותר, אם כי המערכת מעדיפה להשאיר דובר ללא שם מאשר לתת שם לאדם הלא נכון.
יש שני כללים, והם מכוונים. קול משובט הוא מידע ביומטרי: הוא נוצר רק בהסכמה מפורשת של הדובר וניתן למחיקה בכל עת. וקול מדבר רק תמליל או את התרגום שלו; אי אפשר לגרום לו לומר משהו שבעליו מעולם לא אמר.
כל מה שתואר עד כה קורה בזמן שהדובר מדבר. ההבדל האחרון מופיע אחרי שהוא מפסיק.
חמישים תמלילי הטלפון נעלמים כשהאפליקציות נסגרות. שידור שומר את ההקלטה בספרייה שלכם: את השמע, ואת התמליל עם כל תיקון ותרגום. שם אפשר להשמיע אותה שורה אחר שורה, לחפש בכל שפה ולייצא אותה. המדריך קישור אחד לכל השפות מסביר מה הספרייה עושה. המאזינים לא עולים כלום, לא משנה כמה הם. משלמים רק על השמע שתומלל, ב־$0.60 לשעה לתמלול חי, עם מינימום של 5 דקות לכל תמלול, ודף המחירים מכיל את לוח התעריפים.
טלפון בכל יד הוא עדיין גיבוי טוב לשיחה במסדרון. בשביל חדר שצריך להבין דובר אחד ביחד, הדובר צריך להיות מתומלל פעם אחת, מהמקור, עם מישהו שיכול לתקן מה שמשתבש. את מה שזה נראה בפועל אפשר לראות בהדגמה האינטראקטיבית בדף הבית.
