कैप्शन मिक्सिंग डेस्क पर और वक्ताओं की स्लाइड में जीते जाते हैं। हर स्टेज के स्पीच माइक की एक साफ़ फ़ीड लें, और कोई मंच पर आने से पहले हर नाम और एक्रोनिम लोड कर दें; बाकी दिन उन दो चीज़ों से छूटी बातों को ठीक करने में जाता है।
कॉन्फ़्रेंस में कैप्शन लगाने का ज़्यादातर काम मंच पर कोई कदम रखने से पहले हो जाता है, और उसमें से ज़्यादातर काम सॉफ़्टवेयर का नहीं होता।
फ़ोन लेक्चर्न पर कमरे की आवाज़ सुनता है; मिक्सिंग डेस्क वक्ता को सुनती है। डेस्क से फ़ीड लें, और साफ़ बताएँ कि कौन-सी फ़ीड। साउंड इंजीनियर से एक अलग aux या matrix send माँगें, जिसमें सिर्फ़ भाषण वाले माइक हों: लेक्चर्न, लैपल माइक, पैनल माइक। वॉक-इन म्यूज़िक, वीडियो प्लेबैक और ताली वाला स्टेम इसमें न हो। किसी जिंगल के ऊपर से सुनने वाली रिकग्निशन गीत के बोलों का आत्मविश्वास भरा, पर ग़लत अनुमान लगा लेती है।
उस send को टेक रिहर्सल में परखें, असली माइक और, अगर मिल सकें तो, असली स्पीकर के साथ। वरना आप इवेंट की सुबह 8:55 बजे जानेंगे कि matrix आउटपुट post-fader है और साउंड इंजीनियर भाषणों के बीच लेक्चर्न को म्यूट कर देता है।
VocalStack को यह फ़ीड दो तरीकों में से एक से दें। पहला है डेस्क पर एक RTMP एन्कोडर। जब आप लाइव ट्रांसक्रिप्शन के सोर्स के रूप में RTMP स्ट्रीम जोड़ते हैं, तो डैशबोर्ड सर्वर URL और स्ट्रीम की दिखाता है जो एन्कोडर को चाहिए, बताता है कि ऑडियो आने लगा है या नहीं और किस फ़ॉर्मैट में, और आपको उसे सुनने देता है। दूसरा है स्ट्रीम का पता। अगर स्टेज पहले ही YouTube लाइव या ऑडियो स्ट्रीम के रूप में जा रहा है, तो वह लिंक चिपकाएँ और VocalStack ऑडियो खुद खींच लेता है; आपकी ओर कुछ नहीं चलता। स्ट्रीम का अपना पता चिपकाएँ, वह पेज नहीं जिस पर वह चलती है। ग़लती से वेब पेज चिपका दिया तो डैशबोर्ड बता देगा।
किसी भी तरह, हर स्टेज के लिए एक ही माइक फ़ीड रखें। श्रोताओं के माइक और क्रॉसटॉक की कीमत सटीकता चुकाती है, जिसे कोई सेटिंग वापस नहीं ला सकती। हॉल का सबसे अच्छा माइक उस पैनलिस्ट का होता है जो बार-बार उससे दूर झुक जाता है।
ऑडियो आने लगे तो श्रोताओं को कैप्शन पढ़ने की जगह चाहिए।
ब्रॉडकास्ट वह लिंक है जिसे श्रोता खोलते हैं। उसे Broadcasts के अंतर्गत बनाएँ, नाम दें, और उसका लिंक चुनें। डैशबोर्ड नाम के आधार पर लिंक सुझाता है; आप उसे बदल सकते हैं, बशर्ते उसमें कम से कम छह अक्षर रहें। उसी स्क्रीन पर वह QR कोड भी दिखता है जिसे स्कैन करके श्रोता लाइव अनुवाद खोलते हैं और अपनी भाषा चुनते हैं।
अभी तय करें कि ब्रॉडकास्ट सार्वजनिक होगा या निजी। सार्वजनिक का मतलब है कि लिंक वाला कोई भी उसे खोल सकता है। निजी का मतलब है कि ट्रांसक्रिप्ट दिखने से पहले श्रोताओं को एक छोटा पासवर्ड डालना होगा। बाद में लिंक बदलना हो तो बदल दें; पुराना लिंक फिर भी चलता रहता है।
फिर सोचें कि लिंक हज़ार जेबों तक कैसे पहुँचे। हर सत्र से पहले होल्डिंग स्लाइड पर, दरवाज़ों के साइनेज पर और अगर हो तो लैनयार्ड कार्ड पर QR कोड लगाएँ। एक साथ सैकड़ों फ़ोन जुड़ें तो वेन्यू के Wi-Fi पर असली भार पड़ता है, इसलिए वेन्यू से पूछें कि एक्सेस पॉइंट किस हिसाब से लगाए गए थे और गेस्ट नेटवर्क हर डिवाइस की स्पीड सीमित करता है या नहीं। अगर जवाब कंधे उचकाना हो, तो श्रोताओं से मोबाइल डेटा इस्तेमाल करने को कहें। पेज छोटे हैं; जोखिम Wi-Fi का है।
दो स्टेज वाले कॉन्फ़्रेंस को दो लिंक नहीं चाहिए। एक ब्रॉडकास्ट को एक साथ कई लाइव ट्रांसक्रिप्शन फ़ीड कर सकते हैं। स्टेज A और स्टेज B दो ट्रांसक्रिप्शन बनकर एक ही ब्रॉडकास्ट से जुड़ते हैं, और श्रोता के फ़ोन पर एक ही पेज पर दोनों दिखते हैं। हर स्टेज अपना अलग लाइव ट्रांसक्रिप्शन है, और हर प्लान में एक साथ चलने वाले ट्रांसक्रिप्शन की संख्या सीमित है (Pay as you go पर 1, Premium पर 5, Enterprise पर असीमित)। यह सीमा नीचे बजट वाले हिस्से में फिर आती है।
लिंक तभी काम का है जब उसके पीछे के शब्द सही हों।
किसी भी सिस्टम में, लाइव रिकग्निशन नामों, प्रोडक्ट के शब्दों और एक्रोनिम पर लड़खड़ाती है। शुरू करने से पहले हर वक्ता की स्क्रिप्ट या स्लाइड जोड़ें, तो उनके नाम और शब्द इंजन के सुने हुए अंदाज़े से ऊपर रहेंगे। बात के दौरान Script टैब शब्दों के साथ टेलीप्रॉम्प्टर की तरह चलता है।
यह भी ईमानदारी से समझ लें कि मशीन कैप्शन असल में क्या है। स्पीच रिकग्निशन और मशीन ट्रांसलेशन CART (Communication Access Realtime Translation, यानी प्रशिक्षित इंसान द्वारा लाइव टाइप किए गए कैप्शन) नहीं हैं, और न ही इंटरप्रिटेशन। यह तेज़, सस्ता और थकता नहीं है, पर कभी-कभी किसी नकार (negation) को उलट देगा, किसी संख्या को गोल कर देगा या किसी मज़ाक को तथ्य का बयान बना देगा। मुख्य भाषण, प्रोडक्ट सेशन या पैनल के लिए यह समझौता आम तौर पर सही होता है। जिस सत्र में ग़लत शब्द का नतीजा हो (कानूनी, चिकित्सा, मतदान), वहाँ किसी इंसानी कैप्शनर या इंटरप्रेटर को बुक करें और मशीन को लिखित रिकॉर्ड के रूप में साथ चलने दें। पहुँच (accessibility) का आधार भी जानने लायक है: WCAG 2.x लाइव ऑडियो पर AA स्तर पर कैप्शन माँगता है (criterion 1.2.4), और बढ़ते सार्वजनिक-क्षेत्र और वेन्यू के अनुबंध इसका सीधा हवाला देते हैं।
शब्द तय हो जाएँ तो आख़िरी तैयारी इस पर है कि उन्हें कौन बोल रहा है।
स्पीकर लेबल बताते हैं कि कौन बोल रहा है। स्विच को When Needed पर रखें, तो लेबल तभी दिखते हैं जब दूसरा वक्ता सुनाई दे, इसलिए मुख्य भाषण सादे टेक्स्ट जैसा पढ़ा जाता है और पैनल बातचीत जैसा।
पहली लाइन से ही वक्ताओं को नाम से पहचानने के लिए उनकी आवाज़ Voices के अंतर्गत पहले से दर्ज करें। एक व्यक्ति के बोलने की एक क्लिप काफ़ी है: MP3, M4A या WAV, कम से कम तीस सेकंड की, हालाँकि कुछ मिनट बेहतर हैं। व्यक्ति की सहमति होनी चाहिए, और आवाज़ बनाने से पहले डैशबोर्ड पूछता है कि क्या आपके पास अनुमति है। इसे सिर्फ़ चेकबॉक्स मानकर न टालें। GDPR के तहत, किसी व्यक्ति की पहचान के लिए इस्तेमाल होने वाला voiceprint आम तौर पर बायोमेट्रिक डेटा (अनुच्छेद 9) माना जाता है। इसका मतलब है स्पष्ट सहमति, और voiceprint हटवाने का अधिकार। दूसरी जगहों पर भी ऐसे नियम हैं, और वक्ता के समझौते इसे कवर करने की आसान जगह हैं। क्लोन की गई आवाज़ कभी भी हटाई जा सकती है। जब तक वह मौजूद है, श्रोता उस वक्ता के अनुवाद उसी से मिलती-जुलती आवाज़ में सुन सकते हैं।
प्लान तय हो गया, बाकी काम उस दिन का है।
हर लाइव ट्रांसक्रिप्शन में एक Speed टैब होता है, जिसमें लेटेंसी मोड और समय के साथ देरी का चार्ट है। तीन विकल्प हैं:
स्क्रिप्ट वाले मुख्य भाषण में, जिसका डेस्क फ़ीड साफ़ हो, Auto सही है; चार लहजों और बिना स्क्रिप्ट वाले तकनीकी पैनल में Accuracy की अतिरिक्त देरी के लायक है।
शुरुआत का समय भी योजना में रखें। Pay as you go पर कोल्ड स्टार्ट में ट्रांसक्रिप्शन शुरू होने से पहले 15 सेकंड तक लग सकते हैं। Premium आम तौर पर गर्म (warm) शुरू होता है, और Enterprise हमेशा। वॉक-इन के दौरान शुरू करें, पहले शब्द पर नहीं।
किसी भी मोड में कुछ शब्द ग़लत होंगे, इसलिए कोई न कोई उन पर नज़र रखे।
डेस्क पर कोई Fix टैब खुला रखे। इसमें दो स्विच हैं: Mark uncertain words उन शब्दों को रंग देता और रेखांकित करता है जिन पर इंजन को भरोसा नहीं था, और Click to correct पर क्लिक करने से समीक्षा के लिए एक लाइन खुलती है। टैब अनिश्चित हिस्सों से एक-एक करके आपको ले जाता है, और एक सुधार हर भाषा के हर श्रोता तक पहुँचता है।
किसी भी हॉल में सबसे कमज़ोर कड़ी श्रोताओं का माइक है, और सवाल-जवाब में यही दिखता है। मॉडरेटर से कहें कि जवाब देने से पहले हर दर्शक-सवाल को अपने माइक में दोहराएँ। कैप्शन उनका शुक्रिया अदा करेंगे, और पीछे बैठे वे लोग भी, जिन्होंने वह सवाल सुना ही नहीं।
सत्रों के बीच डेस्क का काम अलग होता है।
होस्ट स्क्रीन से रिकॉर्डिंग रोकी और फिर चालू की जा सकती है, और श्रोता के पेज पर एक सूचना दिखती है: "रुका हुआ है। होस्ट के फिर शुरू करने पर ट्रांसक्रिप्ट आगे बढ़ेगा।" यह रोक बदलाव के समय के लिए है, लंच ब्रेक के लिए नहीं। हर रिकॉर्डिंग की अधिकतम रोक का समय होता है, जो डैशबोर्ड में 30 सेकंड, 1 मिनट या 3 मिनट पर सेट है; उससे ज़्यादा देर तक रुकी रिकॉर्डिंग अपने आप समाप्त हो जाती है।
लंबे अंतराल के लिए रिकॉर्डिंग बंद करें और अगला सत्र शुरू होने पर नई रिकॉर्डिंग शुरू करें। हर रिकॉर्डिंग ब्रॉडकास्ट के पेज पर सूचीबद्ध रहती है, इसलिए दोपहर में श्रोता सुबह के सत्र वापस देख सकते हैं। एक लाइव रिकॉर्डिंग की सीमा Pay as you go पर कुछ घंटे और Premium पर उससे लंबी है (सटीक आँकड़े कीमतों वाले पेज पर हैं), इसलिए लंबा दिन वैसे भी कई रिकॉर्डिंग का होता है।
सुबह के बीच में देखें कि असल में कौन पढ़ रहा है।
Broadcast टैब का दर्शक-दृश्य दिखाता है कि कौन जुड़ा है, अभी कितने सुन रहे हैं, उन्होंने कौन-सी भाषाएँ खोली हैं, और समय के साथ श्रोता कैसे बदले। हर ट्रांसक्रिप्शन में अधिकतम 10 भाषाएँ शामिल हो सकती हैं, और हर श्रोता अपने डिवाइस पर अपनी भाषा चुनता है। इसलिए यह दृश्य बताता है कि कमरा असल में कौन-सी भाषाएँ पढ़ता है, जो अक्सर आयोजकों के अंदाज़े से अलग होती हैं। मैड्रिड से पंजीकृत प्रतिभागी अंग्रेज़ी पढ़ते निकले; पुर्तगाली वाली पंक्ति किसी ने उम्मीद न की थी वहाँ भर गई। वह सूची अगले साल के लिए साथ ले जाएँ।
उन श्रोताओं में से हर एक मुफ़्त है। पैसा ऑडियो पर लगता है।
लाइव ट्रांसक्रिप्शन की दर $0.60 प्रति घंटा ऑडियो है, प्रति सेकंड के हिसाब से बिलिंग, हर ट्रांसक्रिप्शन पर 5 मिनट के न्यूनतम के साथ, हर प्लान में और API के ज़रिए भी। दो स्टेज, हर एक आठ घंटे चलती हुई, यानी 16 घंटे का लाइव ऑडियो, या $9.60। अनुवाद, ब्रॉडकास्ट, सारांश और एक्सपोर्ट शामिल हैं, चाहे कितने भी लोग सुनें।
दर नहीं, क्षमता के मामले में प्लान मायने रखता है। Pay as you go में साइनअप पर $5 का एक-बार वाला क्रेडिट मिलता है, बिना कार्ड के, एक बार में एक ट्रांसक्रिप्शन और 5 घंटे की अधिकतम रिकॉर्डिंग। क्रेडिट शून्य पर पहुँचते ही लाइव ट्रांसक्रिप्शन तुरंत रुक जाता है, इसलिए दरवाज़े खुलने से पहले टॉप-अप करें। Premium $50 प्रति माह है (सालाना प्लान पर $40 प्रति माह), और हर महीने $50 का क्रेडिट शामिल है, जो 83 लाइव घंटों तक चलता है। इसमें पाँच ट्रांसक्रिप्शन एक साथ चल सकते हैं और 10 घंटे की रिकॉर्डिंग मिलती है, और एक ग्रेस पीरियड भी: शून्य के बाद भी लाइव ट्रांसक्रिप्शन कुछ देर चलता रहता है, और अतिरिक्त मिनट उसी दर पर बिलते हैं। दो समानांतर स्टेज के लिए Premium चाहिए। Enterprise में कस्टम कीमत, असीमित समानांतर सत्र, 24 घंटे की रिकॉर्डिंग और एक समर्पित इंजन पूल है।
पूरी तालिका के लिए कीमतों वाला पेज देखें, और हफ़्ते भर पहले डैशबोर्ड में Billing के अंतर्गत अपना बैलेंस जाँच लें।
ऑडियो रुकते ही बिल रुक जाता है; ट्रांसक्रिप्ट नहीं रुकता।
ट्रांसक्रिप्ट Pay as you go पर 30 दिन तक रखे जाते हैं और Premium व Enterprise पर बिना सीमा के। Pay as you go पर सोर्स ऑडियो केवल 7 दिन रखा जाता है। मुफ़्त प्लान पर हों तो इस हफ़्ते के भीतर एक्सपोर्ट कर लें।
श्रोता की नज़र से लिंक कैसा दिखता है, यह जानने के लिए एक लिंक, हर भाषा में पढ़ें, या होम पेज पर लाइव डेमो आज़माएँ।
