Transkripcija i prijevod u stvarnom vremenu: kako radi govor u tekst uživo, koliko kasni, što utječe na točnost i koliko košta.
Transkripcija u stvarnom vremenu pretvara govor u tekst dok osoba još govori. Riječi se na zaslonu pojavljuju trenutak nakon što su izgovorene, učvršćuju se u konačne retke i može ih čitati svatko tko prati. Dodajte prijevod u stvarnom vremenu i svaki čitatelj može pratiti isti govor na vlastitom jeziku, kao tekst ili naglas.
Ovaj vodič pokriva transkripciju i prijevod u stvarnom vremenu s obje strane: što vidi slušatelj, odakle zvuk može dolaziti, što određuje točnost, što programeri dobivaju od API-ja i što to košta.
Transkripcija u stvarnom vremenu, zvana i transkripcija uživo ili govor u tekst uživo, prepoznavanje je govora koje radi dok zvuk još pristiže. Snimljena datoteka može se transkribirati s cijelom snimkom pri ruci. Transkripcija uživo mora se odlučiti za riječi samo na temelju zadnjih nekoliko sekundi i držati korak s govornikom koliko god on govorio.
Titlovi uživo isto su to, prikazano kao kratki retci preko videa ili na zaslonu.
Na VocalStacku transkripcija uživo može slušati na 100 jezika. Govorni jezik prepoznaje sama i prati govornika ako ga promijeni, što objašnjava kako radi automatsko prepoznavanje jezika, zajedno s time kad je bolje jezik navesti unaprijed.
Tekst stiže u dvije faze. Najnovije se riječi prvo pojavljuju kao nacrt, koji se još može promijeniti kad pristigne više zvuka. Trenutak kasnije nacrt se učvrsti u konačan redak koji se više ne mijenja.
Nacrt postoji zato što prepoznavanje riječ dijelom odlučuje prema onome što slijedi. „Ice cream” i „I scream” zvuče jednako dok ne stigne sljedeća riječ. Rano prikazivanje pretpostavke čini da transkript djeluje kao uživo.
Koliko tekst kasni za govornikom, ovisi o fazi:
Dva kašnjenja stoje izvan tog lanca. Kad je izvor javni stream, a ne mikrofon, sam stream već kasni za svojim živim rubom: sekundu-tri za običan internetski radijski stream, a od nekoliko sekundi do pola minute za HLS. A na paketu Pay as you go transkripcija uživo može trebati do 15 sekundi za početak. Cjelovita razrada, uključujući načine kašnjenja Auto, Fast i Accuracy, nalazi se u članku Kašnjenje prijevoda uživo, objašnjeno.
Prijevod radi povrh transkripta. Transkripcija uživo može se prevoditi na do 10 jezika istodobno, odabranih među 100. Svaki slušatelj na vlastitom uređaju bira jedan od njih i može ga u svakom trenutku promijeniti; dosadašnji transkript ponovno se prikaže na novom jeziku.
Svaki se jezik prevodi iz istog transkripta, pa svaki slušatelj dobiva iste riječi, a ispravak stiže do svih.
Slušatelj koji radije sluša nego čita može svaki prevedeni redak dati čitati naglas. Prema zadanim postavkama svaki govornik dobiva zaseban standardni glas koji odgovara njegovu spolu, pa panel i dalje zvuči kao više osoba. Uz pristanak govornika domaćin može klonirati glas tog govornika iz otprilike 30 sekundi njegova govora u kojima govori sam, a prijevod se zatim čita njegovim vlastitim glasom.
Pravilo za glasove namjerno je usko. Glas uvijek čita samo ono što je ista osoba rekla, prevedeno na jezik koji je slušatelj odabrao. Nikad ne čita tekst koji netko utipka i nikad ne čita riječi jednog govornika glasom drugog.
Kako to radi za cijelu prostoriju, od domaćinova postavljanja do onoga tko kasni, opisano je u članku Jedna poveznica, svaki jezik.
Transkripciji uživo treba izvor zvuka. Ovo su oni koje VocalStack danas prihvaća:
Titlovi unutar YouTubeova vlastitog playera, preko njegova CC gumba, stižu uskoro. Do tada gledatelji YouTube streama prate titlove na poveznici prijenosa.
Ako vam transkripcija uživo treba danas na Windowsu, tamo rade Chrome ili Edge proširenje, OBS dodatak i Dashboard u pregledniku.
Prijenos je način na koji drugi prate transkripciju uživo. To je jedna poveznica i QR kod. Slušatelji ga otvore u pregledniku, odaberu jezik i čitaju. Ne trebaju račun, ništa ne instaliraju i ne koštaju ništa: račun se ne mijenja s brojem slušatelja ili jezika.
Prijenos je prema zadanim postavkama javan i može se zaštititi lozinkom. Ako preimenujete njegovu poveznicu, stara nastavlja raditi, pa QR kod otisnut u programu ne zastarijeva. Jedan prijenos može nositi više transkripcija uživo, pa dvije pozornice mogu dijeliti jednu poveznicu.
Slušatelj koji stigne kasnije vidi sve što je rečeno prije njegova dolaska, a zatim prati uživo. Poslije prikaz Audience pokazuje tko je slušao, na kojem jeziku i kada se pridružio.
Za događaje popis za provjeru višejezične konferencije pokriva zvuk, pozornice i proračun, a transkripcija uživo za crkve, predavaonice i vijećnice pokriva tjednu inačicu istog postava.
Sve gore navedeno može se napraviti iz koda. Za zvuk uživo u vlastitoj aplikaciji API ima sesije u stvarnom vremenu: vaš poslužitelj jednim pozivom na POST /v1/realtime/sessions s API ključem dobiva kratkotrajni streamUrl. Vaš klijent otvara WebSocket prema njemu, šalje sirovi zvuk dok se snima i čita transkript natrag kao JSON okvire.
Okviri slijede iste dvije faze koje čitatelj vidi. transcript.draft zamjenjuje živi rep, transcript.committed dodaje konačan redak, a uz uključen prijevod stižu cijele rečenice s priloženim prijevodima. Ciljni jezici, oznake govornika i način kašnjenja mogu se mijenjati usred sesije pomoću session.update.
Sesija u stvarnom vremenu ne sprema ništa. Kad želite da se riječi čuvaju, ispravljaju i dijele s publikom, zvuk umjesto toga objavljujete u transkripciju uživo i prijenos. Službeni SDK-ovi za TypeScript, Python i PHP omataju oboje, a MCP poslužitelj omogućuje AI asistentu korištenje istog računa.
Vodič za WebSocket korak po korak gradi radni prikaz titlova, a API referenca ima svako polje. Korištenje API-ja naplaćuje se po istoj cijeni kao Dashboard.
Točnost se uglavnom odlučuje prije nego što bilo koje prepoznavanje krene, zvukom koji dobiva. Četiri stvari čine najveću razliku.
Mikrofon. Mikrofon blizu govornika ili signal s miksete prostora nosi glas s malo prostorije u sebi. Telefon na stolu čuje govornika plus jeku, stolice i kašalj. To je najveći pojedinačni čimbenik, a zašto telefon nije dovoljan za prostoriju objašnjava zašto.
Buka i preklapanje. Buka u pozadini uzrokuje ispuštene i izmišljene riječi, a dvije osobe koje govore istodobno zbunjuju i riječi i tko ih je rekao. Pogreške u transkripciji zvuka navode sedam čestih uzroka, kako svaki izgleda i kako se ispravlja.
Referentna skripta. Poznata imena i pojmovi prepoznaju se onakvi kakvi jesu. Nazive proizvoda tvrtke, internu kraticu ili neobično gostovo prezime nije moguće znati unaprijed, pa prije početka dodajte skriptu ili slajdove, i imena i pojmovi u njima pišu se točno onako kako ste ih napisali.
Oznake govornika. Oznake mogu biti Off, On ili When Needed, što ih uključuje kad se čuje drugi govornik. Diarizacija govornika naspram prepoznavanja govora objašnjava kako su ta dva odgovora, što je rečeno i tko je to rekao, odvojeni i ispravljaju se odvojeno.
Važan je i način kašnjenja: Fast izbacuje tekst ranije, ali ga više revidira, a Accuracy čeka malo dulje.
Jedan broj točnosti govori manje nego što se čini. Stopa pogrešaka riječi broji pogrešno ime jednako kao ispuštenu riječ „the”, zbog čega što stopa pogrešaka riječi mjeri, a što propušta zagovara ocjenjivanje sustava prema tome koje pogreške vam dopušta uočiti i ispraviti.
Nijedan transkript uživo nije savršen, zato zaslon domaćina ima karticu Fix. Može označiti riječi u koje prepoznavanje nije bilo sigurno, a svaki se redak može otvoriti i ispraviti. Druga osoba na mikseti može ih prolaziti dok govornik nastavlja.
Kad domaćin prepravi riječ ili redak, čak i onaj koji se još izgovara, svaki slušatelj vidi ispravak, na svakom jeziku. Redak čuven s premalo pouzdanosti skriva se od slušatelja kao „Audio unclear” umjesto da se prikaže pogrešno; domaćin ga i dalje vidi.
Snimka se čuva sa svojim transkriptom, ispravcima i prijevodima. Poslije možete:
Koliko se dugo čuvaju zvuk i transkripti, ovisi o paketu, a stranica s cijenama to navodi.
Većina alata za transkripciju uživo na demonstraciji izgleda slično; razlike se pokazuju u pitanjima niže. Desni stupac opisuje VocalStack kakav je danas.
| Pitanje | Zašto je važno | VocalStack |
|---|---|---|
| Koje jezike može čuti? | Alat koji ne može transkribirati govornikov jezik ne može pomoći, koliko god dobar bio njegov prijevod. | 100 jezika, automatski prepoznatih, s promjenom usred govora |
| Koliko tekst kasni za govornikom? | Čitatelji više primjećuju rastući razmak nego povremenu pogrešnu riječ. | Izvorni tekst djelić sekunde iza, prijevod sekundu-dvije kasnije; tri načina kašnjenja |
| Prevodi li i tko bira jezik? | Jedan jezik titlova na jednom zaslonu isključuje sve ostale. | Do 10 jezika po transkripciji, svaki slušatelj bira svoj |
| Može li izgovoriti prijevod? | Neki slušatelji ne mogu čitati ili radije ne bi. | Standardni glasovi prema zadanom; govornikov vlastiti klonirani glas uz njegov pristanak |
| Kako publika to dobiva? | Aplikacije i računi gube ljude na vratima. | Jedna poveznica i QR kod, bez računa, neobavezna lozinka |
| Mogu li se pogreške ispravljati uživo? | Krivo čuveno ime ponavljano sat vremena čini stvarnu štetu. | Ispravci uživo šalju se svakom slušatelju |
| Odakle zvuk može dolaziti? | Vaš postav ne bi se trebao prilagođavati alatu. | Mikrofon, proširenja za preglednike, desktop aplikacija, OBS, RTMP, poveznice na streamove |
| Postoji li API? | Možda želite titlove u vlastitom proizvodu. | REST i WebSocket API, SDK-ovi, MCP poslužitelj, ista cijena kao Dashboard |
| Kako se naplaćuje? | Cijene po slušatelju ili po sjedalu rastu s vašom publikom. | Po sekundi zvuka; slušatelji i jezici besplatni |
Na VocalStacku plaćate po sekundi transkribiranog zvuka. U vrijeme pisanja transkripcija uživo košta $0.60 po satu, a datoteke $0.20 po satu, na svakom paketu, u Dashboardu i preko API-ja jednako. Prijevod, glasovi, sažeci, prijenos i slušatelji nikad ne povećavaju račun, pa jednosatni govor koji čita 200 ljudi na pet jezika košta isto $0.60 kao onaj koji nitko ne čita.
Paketi se razlikuju u nekoliko stvari:
Ako nitko ne treba čitati uz govor dok se događa, prenesite snimku poslije po cijeni datoteka. Aktualne cijene, čuvanje i ograničenja za svaki paket nalaze se na stranici s cijenama.
Novi VocalStack račun dolazi s $5 kredita za registraciju i ne treba karticu. Po $0.60 po satu to je otprilike osam sati transkripcije uživo, s uključenim prijevodom i prijenosom. Nakon toga plaćate po sekundi. Slušatelji su uvijek besplatni.
Da. Transkripcija uživo može se prevoditi na do 10 jezika istodobno dok osoba govori. Prijevod se pojavljuje sekundu-dvije nakon izvornog teksta, a svaki slušatelj bira vlastiti jezik.
Ovisi uglavnom o zvuku. Mikrofon blizu ili signal s miksete, malo buke u pozadini, jedna osoba koja govori odjednom i Reference Script s imenima u njemu daju najbolje rezultate. Ispravci uživo omogućuju domaćinu da ispravi što je još pogrešno dok govor traje.
Tekst na izvornom jeziku kasni za govornikom djelić sekunde, a prijevodi slijede sekundu-dvije kasnije. Javni stream dodaje vlastito kašnjenje prije nego zvuk stigne do VocalStacka.
Da, preko Chrome ili Edge proširenja, dodatka za OBS Studio ili Dashboarda u pregledniku. Desktop aplikacija je danas na macOS-u, a Windows stiže uskoro.
Ne. Slušatelji otvore poveznicu prijenosa ili skeniraju njegov QR kod u pregledniku, odaberu jezik i čitaju. Ništa se ne instalira.
Otvorite Dashboard, pokrenite transkripciju uživo s mikrofona i otvorite njezinu poveznicu prijenosa na telefonu. Kredit za registraciju pokriva vaših prvih nekoliko sati, a sami ćete vidjeti kako se nacrti učvršćuju i kako prijevod slijedi.