बहुभाषी कमरे को हर भाषा के लिए एक बूथ नहीं चाहिए। उसे डेस्क से एक साफ़ ऑडियो फ़ीड चाहिए, श्रोताओं के अपने फ़ोन पर खुलने वाला एक लिंक, और बात चलते-चलते गलत सुने गए नाम ठीक करने का तरीका।
भाषण, सेवा, लेक्चर या नगर परिषद की बैठक में एक व्यक्ति बोलता है, और श्रोताओं का समूह पूरी तरह उस भाषा में नहीं सोचता। इसके आम हल महँगे, अधूरे या निजी होते हैं।
महँगा हल है हर भाषा के लिए एक दुभाषिया। अगर हर भाषा के लिए एक दुभाषिया रखें, तो इसका मतलब है एक बूथ, रिसीवरों का सेट और हर भाषा के लिए एक विशेषज्ञ, और ये विशेषज्ञ एक ही बात नहीं कहते। हर दुभाषिया दबाव में अपने चुनाव खुद करता है: किसी शब्द के लिए कौन-सा शब्द लेना है, क्या संक्षेप करना है, और वक्ता तेज़ बोले तो क्या छोड़ देना है। साधारण भाषण में ये फ़र्क शायद ही मायने रखें। किसी कानूनी सुनवाई, नगर परिषद के वोट या तकनीकी ब्रीफ़िंग में ये मायने रखते हैं: कोई परिभाषित शब्द, खुराक या धारा फ़्रेंच सुनने वालों तक एक मतलब के साथ पहुँच सकती है और अरबी सुनने वालों तक दूसरे मतलब के साथ, और कमरे में किसी के पास इसे पकड़ने का मौका नहीं होता। अधूरा हल है एक ही स्क्रीन पर सबटाइटल फ़ीड, वह भी सिर्फ़ एक दूसरी भाषा में। निजी हल है पचास फ़ोन कमरे की ओर उठा देना: पचास थोड़े-बहुत गलत ट्रांसक्रिप्ट, और हर फ़ोन गूँज और खाँसी को उतनी ही साफ़ी से सुनता है जितना वक्ता को।
इसका विकल्प यह है कि वक्ता को एक बार, एक साफ़ स्रोत से ट्रांसक्राइब किया जाए, उस एक ट्रांसक्रिप्ट का श्रोताओं को जिस भाषा में ज़रूरत हो उसमें अनुवाद किया जाए, ताकि हर भाषा एक ही शब्दों से शुरू हो, और हर श्रोता अपने डिवाइस पर अपनी भाषा खुद चुने। इवेंट खत्म होने पर रिकॉर्डिंग सहेजी जाती है। नीचे देखिए कि होस्ट और श्रोता, दोनों इसे कैसे सेट करते हैं और इसकी लागत क्या है।
लाइव ट्रांसक्रिप्शन किसी भी डिवाइस के माइक्रोफ़ोन को सुन सकता है, OBS या किसी भी दूसरे एनकोडर से आने वाले RTMP फ़ीड को सुन सकता है जो सर्वर URL और स्ट्रीम की लेता है, YouTube लाइव को, इंटरनेट रेडियो स्टेशन को, या किसी भी ऐसे URL को जो स्ट्रीम देता हो। स्ट्रीम के लिए VocalStack ऑडियो खुद खींचता है; आपकी तरफ़ कुछ भी चलाने की ज़रूरत नहीं।
स्रोत किसी भी सेटिंग से ज़्यादा मायने रखता है। कमरे का माइक्रोफ़ोन, या मेज़ पर रखा फ़ोन, वक्ता के साथ कमरे को भी सुनता है: दीवारों, कुर्सियों और श्रोताओं से लौटती गूँज। आवाज़ कमरे के शोर के मुकाबले जितनी धीमी होती जाती है, स्पीच रिकग्निशन उतना ही ज़्यादा बिगड़ता है, इसीलिए वे पचास फ़ोन एक-दूसरे से असहमत रहते हैं। मिक्सिंग डेस्क का फ़ीड वक्ता का अपना माइक्रोफ़ोन लेकर आता है, जिसमें कमरा बहुत कम होता है, इसलिए ट्रांसक्रिप्ट कमरे के बजाय वक्ता का पीछा करता है। अगर स्थल पर डेस्क है, तो फ़ीड वहीं से लें।
बोली जा रही भाषा अपने-आप पहचानी जाती है, और वक्ता किसी भी समय भाषा बदल सकता है; पहले से भाषा बता देने से शोर वाली रिकॉर्डिंग और भारी लहज़े में मदद मिलती है। स्पीकर लेबल बंद, चालू या When Needed पर रखे जा सकते हैं, जो दूसरा स्पीकर सुनाई देते ही उन्हें चालू कर देता है। ऑडियो आने लगे, तो श्रोताओं को उसे ढूँढने की जगह चाहिए।
ब्रॉडकास्ट ही लिंक है: एक पता और एक QR कोड, जिसे श्रोता स्कैन करके लाइव अनुवाद खोलते हैं और अपनी भाषा चुनते हैं। लिंक उस नाम से बनता है जो आप ब्रॉडकास्ट को देते हैं। बाद में नाम बदलें, तो पुराना लिंक भी चलता रहता है, इसलिए किसी कार्यक्रम-पत्र पर छपा QR कोड बेकार नहीं होता।
ब्रॉडकास्ट डिफ़ॉल्ट रूप से सार्वजनिक होता है: जिसके पास लिंक है वह उसे खोल सकता है। उसे निजी करें और पासवर्ड रखें, तो ट्रांसक्रिप्ट दिखने से पहले श्रोताओं से पासवर्ड माँगा जाता है।
एक ब्रॉडकास्ट को कई लाइव ट्रांसक्रिप्शन से फ़ीड किया जा सकता है, इसलिए दो मंचों वाले सम्मेलन में भी एक ही लिंक चलता है। लिंक लोगों को अंदर लाता है; उन्हें बनाए रखने वाली चीज़ है नामों का सही होना।
स्पीच रिकग्निशन आम तौर पर जिस तरह लोग बात करते हैं उसी पर प्रशिक्षित होता है, इसलिए जब कोई आवाज़ अस्पष्ट होती है, तो वह आम शब्द पकड़ लेता है। कोई उत्पाद का नाम, कोई उपनाम, कोई गाँव, कोई रासायनिक नाम: हर एक का कोई ज़्यादा आम मिलता-जुलता शब्द होता है, और जब तक रिकग्निशन को बताया न जाए कि कोई दुर्लभ शब्द आने वाला है, वही निकलकर आता है। इसी के लिए स्क्रिप्ट है। शुरू करने से पहले स्क्रिप्ट या स्लाइड जोड़ें, और उनमें आए नाम व शब्द गलत सुने गए शब्दों पर भारी पड़ेंगे। किसी विशेषज्ञ वार्ता में रिकग्निशन आम तौर पर यहीं गिरता है। रिकॉर्डिंग के दौरान Script टैब टेलीप्रॉम्प्टर की तरह साथ चलता है और अब तक बोले गए शब्दों को रोशन करता है।
बस इतना ही सेटअप है। लिंक के दूसरी तरफ़ करने को और भी कम है।
श्रोता को लिंक या QR कोड और एक फ़ोन चाहिए। वह लिंक ब्राउज़र में खोलता है और जब तक होस्ट रिकॉर्ड न दबाए, The broadcast hasn't started yet देखता है, फिर Live. The first line appears in a moment. दिखता है। वह उन भाषाओं में से चुनता है जो होस्ट ने रखी हैं (हर ट्रांसक्रिप्शन में अधिकतम 10, उपलब्ध 100 में से) और वक्ता के बोलने के साथ-साथ ट्रांसक्रिप्ट पढ़ता है। होस्ट अपनी भाषा में बोलता रहता है। श्रोता कभी भी भाषा बदल सकता है; अब तक का ट्रांसक्रिप्ट नई भाषा में फिर से दिखाया जाता है।
अगर श्रोता सुनना पसंद करता है, तो हर अनूदित पंक्ति ज़ोर से पढ़ी जाती है। डिफ़ॉल्ट रूप से हर स्पीकर को मिलते-जुलते लिंग की एक अलग तैयार आवाज़ मिलती है, ताकि पैनल अब भी पैनल जैसा लगे।
तीनों चरण क्रम से होते हैं, और हर एक अपने से पहले वाले का इंतज़ार करता है। रिकग्निशन को शब्दों का निश्चय करने से पहले बोली गई कुछ देर चाहिए, इसलिए ट्रांसक्रिप्ट वक्ता से एक सेकंड के अंश भर पीछे रहता है। अनुवाद को पूरा वाक्यांश चाहिए, क्योंकि भाषाओं में शब्द-क्रम अलग होता है और वाक्य का अंत शुरुआत तक बदल सकता है, इसलिए वह एक-दो सेकंड बाद आता है। भाषण के लिए अनूदित वाक्य पहले चाहिए, इसलिए बोली गई पंक्ति सबसे बाद में आती है। इसमें कोई खामी नहीं जिसे ठीक करना हो; ये तीन काम जो भी सिस्टम करेगा, उसे इसी क्रम में करने पड़ेंगे, और एक मानव दुभाषिया भी क्रिया आने तक इंतज़ार करता है।
स्पीकर की अनुमति से होस्ट उस व्यक्ति के अकेले बोलने के तीस सेकंड से स्पीकर की आवाज़ क्लोन कर सकता है (MP3, M4A या WAV; कुछ मिनट बेहतर हैं)। फिर अनुवाद हर भाषा में स्पीकर की अपनी आवाज़ में पढ़ा जाता है। आवाज़ को उसका बायोमेट्रिक डेटा मानें। GDPR के तहत, किसी व्यक्ति को पहचानने के लिए संसाधित आवाज़ का डेटा आम तौर पर अनुच्छेद 9 की विशेष श्रेणियों में आता है, और कुछ अमेरिकी राज्य, जिनमें इलिनॉय भी है, वॉइसप्रिंट को अलग से नियंत्रित करते हैं। नमूना रिकॉर्ड होने से पहले, बाद में नहीं, स्पीकर की स्पष्ट सहमति लें; आवाज़ को कभी भी हटाया जा सकता है। क्लोनिंग स्पीकर को भी नामांकित करती है, इसलिए भविष्य की रिकॉर्डिंग में उन्हें नाम से लेबल किया जाएगा। होस्ट हर स्पीकर को एक आवाज़ दे सकता है, या किसी को म्यूट कर सकता है।
देर से जुड़ने वाला श्रोता उनसे पहले कही गई सारी बातें देखता है, फिर लाइव के साथ चलता है। कनेक्शन टूटे तो कनेक्शन लौटने पर पेज अपने-आप पकड़ लेता है। जब होस्ट रोकता है, तो श्रोता Paused. The transcript continues when the host resumes. देखते हैं। जब होस्ट बंद करता है, तो पेज रिकॉर्डिंग की तारीख और अवधि दिखाता है, और ब्रॉडकास्ट अपनी पुरानी रिकॉर्डिंग दोबारा चलाने के लिए सूचीबद्ध करता है।
श्रोता केवल वही पढ़ सकता है जो इंजन ने सुना, और लाइव रिकग्निशन उसमें से कुछ गलत सुनता है।
होस्ट की स्क्रीन पर ठीक इसी के लिए Fix टैब है। Mark uncertain words इंजन ने जिन शब्दों के बारे में अनिश्चित था उन्हें रंग देता है और रेखांकित करता है; Click to correct समीक्षा के लिए एक पंक्ति खोलता है। यह टैब अनिश्चित हिस्सों में एक-एक करके ले जाता है, ताकि डेस्क पर बैठा दूसरा व्यक्ति वक्ता के बोलते रहने के साथ-साथ उन्हें निपटा सके।
जब होस्ट कोई शब्द या पंक्ति दोबारा लिखता है, भले ही वह अभी बोली जा रही हो, तो हर श्रोता को सुधार दिखता है। जिस पंक्ति का भरोसा बहुत कम हो, वह गलत दिखाने के बजाय श्रोताओं से Audio unclear के रूप में छिपा दी जाती है; होस्ट को हर शब्द फिर भी दिखता है। खाली जगह एक ज्ञात कमी है; आत्मविश्वास के साथ गलत शब्द एक अफ़वाह है।
ये सुधार बात खत्म होने पर गायब नहीं होते।
सब कुछ सहेजा जाता है। रिकॉर्डिंग, सुधारों और अनुवादों समेत उसका ट्रांसक्रिप्ट, और ऑडियो, सब होस्ट की लाइब्रेरी में पहुँचते हैं। रीप्ले उसे ठीक वैसे चलाता है जैसे वह आया था, पंक्ति-दर-पंक्ति, अपने ऑडियो के साथ। जैसे ही शब्द अंतिम हो जाते हैं, हर भाषा में शीर्षक और सारांश लिखा जाता है, और होस्ट स्क्रीन के Summary और Export टैब उन्हें सीधे इवेंट से बाहर ले जाते हैं।
एक्सपोर्ट SRT सबटाइटल, PDF, Excel या JSON में होते हैं, जिनमें सुधार और अनुवाद शामिल होते हैं, और ऑडियो MP3 के रूप में डाउनलोड होता है। हर ट्रांसक्रिप्ट किसी भी भाषा में खोजा जा सकता है।
Audience व्यू दिखाता है कि कौन सुन रहा था, किस भाषा में, और कब जुड़ा: अक्सर यह पहली असली गिनती होती है कि आयोजक को किसे कौन-सी भाषा चाहिए थी। उससे पहले का अनुमान यह होता था कि अंग्रेज़ी में पूछे जाने पर किसने अनुवाद की ज़रूरत के लिए हाथ उठाया। श्रोता के पहचानकर्ता रिकॉर्डिंग के साथ ही मिटा दिए जाते हैं।
स्पीच रिकग्निशन, स्पीकर रिकग्निशन और वॉइस सिंथेसिस हम द्वारा संचालित सर्वरों पर चलते हैं, और आपका ऑडियो प्रसंस्करण के लिए किसी तीसरे पक्ष को नहीं भेजा जाता। हम आपके ऑडियो, ट्रांसक्रिप्ट या आवाज़ों का उपयोग मॉडल प्रशिक्षित करने के लिए नहीं करते।
प्लान के हिसाब से प्रतिधारण तय होता है: Pay as you go पर स्रोत ऑडियो और आवाज़ें 7 दिन और ट्रांसक्रिप्शन 30 दिन रखे जाते हैं; Premium और Enterprise इन्हें खाता रहने तक रखते हैं। प्लान जो दूसरी चीज़ तय करता है, वह बिल है।
दो संख्याएँ मायने रखती हैं। Pay as you go और Premium पर लाइव ट्रांसक्रिप्शन $0.60 प्रति घंटा ऑडियो है, प्रति सेकंड बिलिंग के साथ और हर ट्रांसक्रिप्शन पर 5 मिनट के न्यूनतम के साथ, डैशबोर्ड में और API के ज़रिए एक जैसा। Enterprise के लिए वॉल्यूम रेट हैं। श्रोता और भाषाएँ मुफ़्त हैं: दो सौ लोगों द्वारा पाँच भाषाओं में पढ़ा गया एक घंटे का इवेंट $0.60 लगता है। फ़ाइलें सस्ती हैं ($0.20 प्रति घंटा), क्योंकि लाइव ट्रांसक्रिप्शन पूरे इवेंट भर वास्तविक समय में चलता है। प्लान समवर्तीता, अधिकतम रिकॉर्डिंग अवधि और शुरू होने की गति में अलग होते हैं; Pay as you go पर कोल्ड स्टार्ट में 15 सेकंड तक लग सकते हैं, इसलिए वक्ता से थोड़ा पहले रिकॉर्ड दबाएँ, लगभग एक "पीछे बैठे सब लोग मुझे सुन पा रहे हैं?" जितना पहले। पूरी तालिका प्राइसिंग पेज पर है।
होम पेज पर दो-फ़ोन का डेमो है, और डैशबोर्ड में नया अकाउंट $5 के साइनअप क्रेडिट के साथ आता है, जिसके लिए कार्ड की ज़रूरत नहीं होती। लाइव दर पर वह क्रेडिट आठ घंटे से ज़्यादा प्रसारण के लिए काफ़ी है।
इसे और हर किसी के फ़ोन में बने लाइव अनुवाद के बीच चुनाव करना है? पढ़ें कमरे के लिए फ़ोन क्यों काफ़ी नहीं है। पूरे इवेंट के लिए, बहुभाषी सम्मेलन चेकलिस्ट में ऑडियो पथ, एक लिंक पर कई मंच और बजट शामिल हैं। डेवलपर यह सब कोड से API रेफ़रेंस के ज़रिए कर सकते हैं, उसी दर पर।
