Višejezična prostorija ne treba kabinu za svaki jezik. Treba jedan čisti zvučni signal s pulta, jednu poveznicu koju publika otvara na vlastitim telefonima i način da se pogrešno čuveno ime ispravi dok govor još traje.
Predavanje, bogoslužje, nastava ili sjednica gradskog vijeća ima jednog govornika i publiku koja ne razmišlja svi na tom jeziku. Uobičajeni odgovori su skupi, nepotpuni ili privatni.
Skupi odgovor je tumač za svaki jezik. Čak i kad je po jedan za svaki jezik, to znači kabinu, slušalice i stručnjaka za svaki jezik u prostoriji, a stručnjaci ne kažu isto. Svaki tumač pod vremenskim pritiskom donosi vlastite odluke: koju riječ upotrijebiti za pojam, što sažeti, što izostaviti kad govornik ubrza. Na običnom predavanju razlike jedva da su bitne. Na sudskom ročištu, sjednici vijeća ili tehničkom brifingu jesu: definirani pojam, doza lijeka ili klauzula mogu slušateljima na francuskom značiti jedno, a slušateljima na arapskom nešto drugo, i nitko u prostoriji nije u položaju da to primijeti. Djelomičan odgovor je titl na jednom ekranu, na samo jednom drugom jeziku. Privatan odgovor je pedeset telefona podignutih prema prostoriji: pedeset pomalo pogrešnih transkripata, a svaki telefon jednako jasno čuje jeku i kašalj kao i govornika.
Alternativa je da se govornik transkribira jednom, iz čistog izvora, a taj jedan transkript prevede na jezik koji publika treba, pa svi jezici kreću od istih riječi, a svaki slušatelj bira na vlastitom uređaju. Snimka se čuva nakon završetka događaja. Evo kako domaćin i slušatelj to postavljaju i što košta.
Transkripcija uživo može slušati mikrofon na bilo kojem uređaju, RTMP feed iz OBS-a ili bilo kojeg drugog enkodera koji prima URL poslužitelja i stream key, YouTube live, internetsku radio-postaju ili bilo koji URL koji isporučuje stream. Za stream VocalStack sam povlači zvuk; s vaše strane ništa ne radi.
Izvor važi više od bilo koje postavke. Sobni mikrofon ili telefon na stolu čuje govornika i prostoriju: odjek od zidova, stolica, publike. Prepoznavanje govora naglo slabi kako glas postaje tiši u odnosu na taj šum, zbog čega se tih pedeset telefona međusobno ne slaže. Feed s miksetskog pulta nosi govornikov vlastiti mikrofon uz malo prostorije, pa transkript prati govornika, a ne prostoriju. Ako mjesto ima pult, uzmite feed s njega.
Jezik govora detektira se automatski, a govornik ga može promijeniti u bilo kojem trenutku; navođenje jezika unaprijed pomaže kod bučnih snimki i jakih naglasaka. Oznake govornika mogu biti isključene, uključene ili When Needed, što ih uključuje čim se čuje drugi govornik. Kad zvuk stigne, publika mora znati gdje ga pronaći.
Prijenos je poveznica: jedna adresa i QR kod koji slušatelji skeniraju da bi otvorili prijevod uživo i odabrali jezik. Poveznica se stvara iz imena koje date prijenosu. Preimenujete li ga kasnije, stara poveznica i dalje radi, pa QR kod otisnut u programu ne zastarijeva.
Prijenos je prema zadanom javan: svatko s poveznicom može ga otvoriti. Učinite ga privatnim i postavite lozinku, pa se slušatelji prije pojave transkripta pitaju za nju.
Jedan prijenos može se hraniti s nekoliko transkripcija uživo, pa konferencija s dvije pozornice i dalje dijeli jednu poveznicu. Poveznica dovodi ljude; ono što ih zadržava je točno ime.
Sustavi za prepoznavanje govora trenirani su na tome kako ljudi obično govore, pa kad je zvuk dvosmislen posegnu za uobičajenom riječju. Naziv proizvoda, prezime, mjesto, kemijski spoj: svaki ima češću riječ sličnog izgovora, i to se ispiše osim ako sustav nije upozoren da stiže rijetka riječ. Upravo za to služi skripta. Dodajte skriptu ili slajdove prije početka pa imena i pojmovi iz njih pobjeđuju ono što je pogrešno čuto. Ta imena i pojmovi su mjesto gdje prepoznavanje obično popusti na stručnom predavanju. Tijekom snimanja kartica Script prati tekst kao teleprompter i osvjetljava riječi izgovorene do tog trenutka.
To je sve što treba postaviti. Na drugoj strani poveznice ima još manje posla.
Slušatelju trebaju poveznica ili QR kod i telefon. Poveznicu otvara u pregledniku i vidi The broadcast hasn't started yet dok domaćin ne pritisne snimanje, a zatim Live. The first line appears in a moment. Bira s popisa jezika koje je domaćin izabrao (do 10 po transkripciji, od 100 dostupnih) i čita transkript dok govornik govori. Domaćin govori svojim jezikom. Slušatelj može promijeniti jezik u bilo kojem trenutku; transkript do tog trenutka prikazuje se ponovno na novom jeziku.
Ako slušatelj radije sluša, svaka prevedena rečenica se čita naglas. Prema zadanom svaki govornik dobiva zaseban standardni glas odgovarajućeg spola, pa panel i dalje zvuči kao panel.
Tri faze teku redom, i svaka čeka prethodnu. Prepoznavanje treba dio govora prije nego što se može odlučiti za riječi, pa transkript kasni za govornikom djelić sekunde. Prijevod treba cijelu frazu, jer se redoslijed riječi među jezicima razlikuje, a kraj rečenice može promijeniti početak, pa stiže sekundu ili dvije kasnije. Govor treba prevedenu rečenicu prije nego što može započeti, pa izgovorena replika dolazi zadnja. Ništa od toga nije mana koju treba ugladiti; to je ono što svaki sustav koji radi ove tri stvari mora raditi, uključujući i ljudskog tumača, koji također čeka glagol.
Uz dopuštenje govornika, domaćin može klonirati njegov glas iz trideset sekundi govora samo tog čovjeka (MP3, M4A ili WAV; bolje je nekoliko minuta). Prijevod se zatim čita glasom govornika na svakom jeziku. Glas treba tretirati kao biometrijske podatke koji jesu. Prema GDPR-u, glasovni podaci obrađeni radi prepoznavanja osobe općenito spadaju u posebne kategorije iz članka 9., a neke američke savezne države, među njima Illinois, zasebno reguliraju glasovne otiske. Pristanak govornika treba dobiti izričito prije snimanja uzorka, a ne poslije; glas se može obrisati u bilo kojem trenutku. Kloniranje također upisuje govornika u sustav, pa se u budućim snimkama označava imenom. Domaćin može dodijeliti glas svakom govorniku ili jednog utišati.
Slušatelj koji dođe kasno vidi sve što je rečeno prije nego što je ušao, a zatim prati uživo. Ako veza prekine, stranica se sama dohvaća kad se veza vrati. Kad domaćin pauzira, slušatelji vide Paused. The transcript continues when the host resumes. Kad domaćin zaustavi, stranica prikazuje datum i trajanje snimke, a prijenos navodi prošle snimke za ponovnu reprodukciju.
Slušatelj može čitati samo ono što je motor čuo, a prepoznavanje uživo nešto od toga pogrešno čuje.
Zaslon domaćina ima karticu Fix upravo za to. Mark uncertain words boji i podcrtava riječi za koje motor nije bio siguran; Click to correct otvara redak za pregled. Kartica prolazi kroz nesigurne segmente jedan po jedan, pa druga osoba za stolom može raditi kroz njih dok govornik nastavlja.
Kad domaćin prepiše riječ ili redak, čak i onaj koji se još izgovara, svaki slušatelj vidi ispravak. Redak čija je pouzdanost preniska sakriva se slušateljima kao Audio unclear umjesto da se prikaže pogrešno; domaćin i dalje vidi svaku riječ. Praznina je poznata rupa; samouvjerena pogrešna riječ je glasina.
Ti ispravci ne nestaju kad govor završi.
Sve se čuva. Snimka, transkript s ispravcima i prijevodima te zvuk završavaju u domaćinovoj knjižnici. Reprodukcija ga pušta točno onako kako je stigao, redak po redak, sa zvukom. Kad su riječi konačne, naslov i sažetak napišu se na svakom jeziku, a kartice Summary i Export na zaslonu domaćina odnose ih izravno iz događaja.
Izvozi su SRT titlovi, PDF, Excel ili JSON, s ispravcima i prijevodima, a zvuk se preuzima kao MP3. Svaki transkript može se pretraživati na bilo kojem jeziku.
Prikaz Audience pokazuje tko je slušao, na kojem jeziku i kada se pridružio: često je to prvi stvarni broj koji organizator dobije o tome tko je trebao koji jezik. Do tada je uobičajena procjena bila broj onih koji su podigli ruku kad ih se na engleskom pitalo trebaju li prijevod. Identifikatori slušatelja brišu se zajedno sa snimkom.
Prepoznavanje govora, prepoznavanje govornika i sinteza glasa rade na poslužiteljima kojima upravljamo, a vaš zvuk se ne šalje nijednoj trećoj strani na obradu. Vaš zvuk, transkripte i glasove ne koristimo za treniranje modela.
Zadržavanje slijedi paket: na Pay as you go zvučni izvor i glasovi čuvaju se 7 dana, a transkripcije 30 dana; Premium i Enterprise ih čuvaju za cijelo vrijeme trajanja računa. Drugo što paket određuje je iznos računa.
Dva broja su važna. Na Pay as you go i Premium transkripcija uživo košta $0.60 po satu zvuka, naplaćuje se po sekundi uz minimum od 5 minuta po transkripciji, i na nadzornoj ploči i preko API-ja. Enterprise ima volumenske cijene. Slušatelji i jezici su besplatni: jedan sat događaja pročitan na pet jezika od dvjesto ljudi košta $0.60. Datoteke su jeftinije ($0.20 po satu) jer transkripcija uživo radi u stvarnom vremenu tijekom cijelog događaja. Paketi se razlikuju po istovremenosti, najdužoj snimci i brzini pokretanja; na Pay as you go početak može trajati do 15 sekundi, pa pritisnite snimanje malo prije govornika, otprilike jedno „Čuje li me svatko u zadnjim redovima?” ranije. Potpuna tablica je na stranici s cijenama.
Početna ima demonstraciju s dva telefona, a novi račun na nadzornoj ploči dolazi s kreditom od $5 pri registraciji i ne traži karticu. Po cijeni za transkripciju uživo taj kredit pokriva više od osam sati emitiranja.
Razmišljate između ovoga i prijevoda uživo koji je ugrađen u svačiji telefon? Pročitajte zašto telefon nije dovoljan za prostoriju. Za cijeli događaj, kontrolni popis za višejezičnu konferenciju pokriva zvučni put, više pozornica na jednoj poveznici i proračun. Programeri sve ovo mogu raditi iz koda kroz referencu API-ja, po istoj cijeni.
