Točnost prijevoda uživo uglavnom je određena prije nego što se pokrene ijedan model, mjestom mikrofona. Uzmite zvuk s miksetnog pulta, a ne s mjesta u dvanaestom redu, transkribirajte ga jednom i pogreška postaje jedan redak koji itko može ispraviti za sve.
Aplikacije za prijevod ugrađene u telefone pravi su tehnički uradak. Često koriste model za prepoznavanje govora dovoljno malen da stane u uređaj i u njegovu bateriju (neke zvuk šalju poslužitelju kad postoji veza), a za kratke, jasne, svakodnevne rečenice dobro obavljaju posao: pitanje za put, čitanje jelovnika, razgovor na šalteru.
Prostorija puna ljudi koji slušaju jednog govornika sasvim je drugačiji problem. Ono što u stvarnom govoru najčešće krene po zlu upravo je ono s čim se mali model najslabije nosi: rijetke riječi i imena, riječi koje zvuče slično („their” i „there”, „sail” i „sale”), stručni nazivi, naglasci, ljudi koji govore jedni preko drugih i buka u pozadini. U jedriličarskom klubu model koji čuje „sale” napravio je razumnu pretpostavku i samouvjereno pogriješio.
Dvije stvari tjeraju mali model da više pogađa nego veliki. Sažet je da stane u telefon, pa poznaje manje riječi i manje načina na koji se one izgovaraju; prezime koje nikad nije čuo aproksimira samo po zvukovima. A prepoznavanje uživo mora se odlučiti za riječ prije nego što stigne ostatak rečenice, pa model ne može iskoristiti ono što bi razriješilo „sail” naspram „sale”: riječi koje slijede ili skriptu koja kaže o čemu je govor. U prepoznavanju govora kontekst znači upravo to dvoje: okolne riječi i ono što je unaprijed poznato.
Kad model nije siguran, pogađa. Prijevod se tada gradi na pogotku, a osoba koja ga čita nema načina da to sazna. Nitko u prostoriji ne vidi da je redak bio pogrešan, a kamoli da ga može ispraviti. A prostorija nije jedan slušatelj nego pedeset.
Telefon čuje prostoriju, a ne govornika. Razlog je udaljenost: mikrofon na reveru ili na stolu nalazi se nekoliko centimetara od usta, dok je telefon u dvanaestom redu udaljen deset metara ili više, a većina zvuka koji do njega dopre prvo se odbila od zidova, stropa i naslona stolica. Odjeknuti zvuk stiže kasno i razmazan. Uz to telefon hvata kašalj osobe dva reda iza, šapat susjeda i ono što zvučnici rade glasu na putu preko dvorane. Svako sjedalo dobiva donekle drugačiju snimku, pa svako sjedalo dobiva donekle drugačiji transkript.
Telefon, osim toga, prevodi za jednu osobu. Pedeset sudionika s pedeset telefona u rukama proizvodi pedeset neovisnih transkripata istog govora, sa pedeset različitih skupova pogrešaka. Dvoje ljudi koji nakon toga usporede bilješke neće se složiti što je rečeno. Govornik pak govori zidu podignutih telefona, što je teška publika za čitanje.
Za neke ljude u prostoriji to je više od neugodnosti; to odlučuje hoće li uopće moći pratiti govor. Sudionik s oštećenjem sluha ili netko tko prati na trećem jeziku treba jedan točan zajednički tekst, a ne pedeset najboljih pokušaja. To znači transkribirati govornika jednom i svima dati isti rezultat. Jednokratna transkripcija isplati se samo ako je dobro odrađena, a to počinje s time odakle zvuk dolazi.
Transkript je dobar samo koliko je dobar zvuk iz kojeg nastaje. Zato prva odluka nije koji model koristiti, nego koji signal mu dati. Druga je što mu reći prije nego što počne.
Transkripcija uživo uzima zvuk odakle god čist signal već postoji:
VocalStack sam povlači tok s URL-a, pa na vašoj strani ništa ne radi. RTMP tok radi obrnuto: vaš enkoder ga šalje. Jezik govornika detektira se automatski, a govornik može mijenjati jezik u bilo kojem trenutku. Ako znate jezik i snimka je bučna ili jako naglašena, navođenje jezika poboljšava točnost.
Čist zvuk uklanja pogreške nastale zbog prostorije. Ne pomaže kod pogrešaka nastalih zbog rječnika, a za njih je potrebna druga vrsta pomoći.
Telefon nema pojma tko govori ni o čemu je govor, pa su naziv proizvoda ili prezime samo još jedan zvuk koji se pogađa. Prijenos se može unaprijed upoznati s onim što može očekivati.
Ako prije početka dodate skriptu ili slajdove, imena i pojmovi iz njih imaju prednost pred onim što je motor krivo čuo. Tijekom snimanja kartica Script prati govornika kao teleprompter. Ovo je najveći pojedinačni dobitak u točnosti za vrstu govora koja ispunjava konferencije i predavanja: prepuna vlastitih imena i rječnika koji nijedan model opće namjene nije čuo dovoljno često.
Dobar zvuk i rječnik uklanjaju većinu pogrešaka. Pitanje je što se događa s pogreškama koje ostanu.
Čak i uz dobar zvuk i skriptu, neki će se redci ispisati pogrešno. Razlika je u tome što se dogodi dalje.
Na telefonu – ništa. Pogrešan redak prođe i prijevod izgrađen na njemu prolazi s njim.
U prijenosu se redak koji je previše nejasan da bi se prikazao sakriva od slušatelja s oznakom „Audio unclear”, umjesto da se predstavi kao činjenica.
Zatim je tu domaćin, koji ima karticu Fix: riječi u kojima motor nije bio siguran mogu se obojiti i podcrtati, klikom se redak otvara na pregled, a bilo koja riječ ili redak mogu se prepisati dok je transkripcija još uživo. Svaki slušatelj vidi ispravak na svom jeziku. Svaka ispravka je označena i može se poništiti.
Poanta nije u tome da poslužitelj nikad ne griješi. Poanta je u tome da je pogreška vidljiva, da je u vlasništvu nekoga iz prostorije i da se ispravi jednom za sve.
Ispravci mijenjaju ono što slušatelji čitaju. Slušatelji koji bi radije čuli govor dobivaju isti ispravljeni tekst, izgovoren.
Slušatelj koji radije sluša nego čita može dati da mu se svaki prevedeni redak pročita naglas. Zadano, svaki govornik dobiva zasebni standardni glas odgovarajućeg spola, pa panel i dalje zvuči kao panel. Glas možete dodijeliti svakom govorniku ili jednog isključiti.
Uz govornikovo dopuštenje možete otići korak dalje i kloniranjem glasa iz trideset sekundi njegova govora, bilo da je učitan kao isječak ili uzet izravno od govornika u snimci; nekoliko minuta daje bolji rezultat. Prijevod se tada čita glasom samog govornika na svim jezicima. Govornik sa spremljenim glasom može se prepoznati i u kasnijim snimkama, iako sustav radije ostavi govornika neimenovanim nego da imenuje pogrešnu osobu.
Vrijede dva pravila, i namjerna su. Klonirani glas je biometrijski podatak: napravi se samo uz izričit pristanak govornika i može se obrisati u bilo kojem trenutku. A glas smije izgovarati samo transkript ili njegov prijevod; ne može se natjerati da kaže nešto što njegov vlasnik nikad nije rekao.
Sve dosad događa se dok govornik govori. Posljednja razlika pojavljuje se nakon što prestane.
Pedeset transkripata s telefona nestaje kad se aplikacije zatvore. Prijenos u vašoj knjižnici zadržava snimku: zvuk i transkript sa svim ispravcima i prijevodima. Tamo se može ponovno reproducirati redak po redak, pretraživati na bilo kojem jeziku i izvesti; vodič Jedna poveznica, svi jezici objašnjava što knjižnica radi. Slušatelji ne koštaju ništa, bez obzira na to koliko ih ima. Plaćate zvuk koji se transkribira, po $0.60 po satu za uživo, uz minimum od 5 minuta po transkripciji, a stranica s cijenama donosi kompletnu tablicu cijena.
Telefon u svakoj ruci i dalje je dobra pomoć za razgovor u hodniku. Za prostoriju koja zajedno mora razumjeti jednog govornika, govornika treba transkribirati jednom, iz izvora, uz nekoga tko može ispraviti ono što pođe po zlu. Kako to izgleda, možete vidjeti u interaktivnoj demonstraciji na početnoj stranici.
