Egy többnyelvű teremhez nem kell fülke nyelvenként. Elég egy tiszta hangforrás az asztalról, egy link, amelyet a hallgatók a saját telefonjukon nyitnak meg, és egy mód arra, hogy a beszéd közben javítsd a félreértett nevet.
Egy előadásnak, istentiszteletnek, egyetemi órának vagy önkormányzati ülésnek egy beszélője van, és olyan közönsége, amely nem mind abban a nyelvben gondolkodik. A szokásos megoldások drágák, részlegesek vagy magánjellegűek.
A drága megoldás nyelvenként egy tolmács. Még ha minden nyelvhez jut is egy, az egy fülke, egy sor vevőkészülék és minden nyelvhez egy szakember a teremben, és a szakemberek nem mondják ugyanazt. Mindegyik tolmács saját döntéseket hoz időnyomás alatt: melyik szót használja egy kifejezésre, mit tömörít, mit hagy ki, amikor a beszélő felgyorsít. Egy hétköznapi előadáson a különbségek alig számítanak. Jogi meghallgatáson, önkormányzati szavazáson vagy műszaki tájékoztatón már számítanak: egy definiált fogalom, egy adag vagy egy szerződéses záradék más jelentéssel juthat el a francia hallgatókhoz, mint az arab hallgatókhoz, és senki a teremben nincs abban a helyzetben, hogy ezt észrevegye. A részleges megoldás egy feliratsáv egyetlen képernyőn, csak egy második nyelven. A magánjellegű megoldás az, ha ötven telefont tartanak a terem felé: ötven kissé pontatlan átirat, és minden telefon ugyanolyan tisztán hallja a visszhangot és a köhögést, mint a beszélőt.
A másik lehetőség az, hogy egyszer átírjuk a beszélőt, tiszta forrásból, ezt az egy átiratot lefordítjuk arra a nyelvre vagy nyelvekre, amelyre a közönségnek szüksége van, így minden nyelv ugyanabból a szövegből indul, és minden hallgató a saját eszközén választ. A felvétel az esemény végén megmarad. Az alábbiakban azt olvashatod, hogyan állítja be a házigazda és a hallgató, és mibe kerül.
Az élő átírás hallgathat bármely eszköz mikrofonját, egy OBS-ből vagy bármely más enkóderből érkező RTMP-adatfolyamot, amely szerver-URL-t és stream-kulcsot vár, egy YouTube-os élő adást, egy internetes rádióadót, vagy bármely olyan URL-t, amely adatfolyamot szolgáltat. Adatfolyam esetén a VocalStack maga húzza le a hangot; a te oldaladon semmit sem kell futtatni.
A forrás fontosabb bármelyik beállításnál. Egy termi mikrofon vagy egy asztalon heverő telefon a beszélőt a teremmel együtt hallja: a falakról, a székekről és a közönségről visszaverődő visszhangot. A beszédfelismerés élesen romlik, ha a hang halkabb a zajhoz képest, ezért nem értenek egyet az ötven telefon eredményei. A keverőpultról érkező jel a beszélő saját mikrofonját viszi, a teremből alig valamit, így az átirat a beszélőt követi, nem a termet. Ha a helyszínen van keverőpult, onnan vedd a jelet.
A beszélt nyelvet a rendszer automatikusan észleli, a beszélő pedig bármikor válthat; ha előre megnevezed, az segít zajos felvételeken és erős akcentusnál. A beszélőcímkék kikapcsolhatók, bekapcsolhatók vagy When Needed értékre állíthatók, ami akkor kapcsolja be őket, amikor egy második beszélő is megszólal. Amint megérkezik a hang, a hallgatóknak meg kell találniuk, hol hallgathatják.
A közvetítés maga a link: egy cím és egy QR-kód, amelyet a hallgatók beolvasnak, hogy megnyissák az élő fordítást és kiválasszák a nyelvüket. A link a közvetítésnek adott névből készül. Ha később átnevezed, a régi link tovább működik, így a programfüzetre nyomtatott QR-kód nem avul el.
A közvetítés alapértelmezetten nyilvános: bárki megnyithatja, akinek megvan a linkje. Ha privátra állítod és jelszót adsz meg, a hallgatóktól a jelszót kérik, mielőtt az átirat megjelenik.
Egy közvetítést több élő átírás is táplálhat, így a két színpados konferencia is egy linket oszt meg. A link beterelni segít az embereket; bent tartani azt tudja, ha a nevek helyesek.
A beszédfelismerőket arra tanítják, ahogyan az emberek általában beszélnek, ezért kétértelmű hang esetén a gyakori szót választják. Egy terméknév, egy vezetéknév, egy falu, egy vegyület: mindegyiknek van gyakoribb, hasonló hangzású szava, és az jön ki, hacsak a felismerőnek nem mondják meg, hogy a ritka szó érkezik. Erre való a forgatókönyv. Indítás előtt adj hozzá forgatókönyvet vagy diákat, és a bennük szereplő nevek és kifejezések győznek a félreértett változat felett. Ezek a nevek és kifejezések azok, ahol a felismerés szakmai előadásoknál általában elbukik. A felvétel alatt a Script fül teleprompterként követi az elhangzottakat, és kiemeli a már elhangzott szavakat.
Ennyi a beállítás. A link másik oldalán még ennél is kevesebb a teendő.
A hallgatónak link vagy QR-kód kell, és egy telefon. Megnyitják a linket a böngészőben, és a The broadcast hasn't started yet üzenetet látják, amíg a házigazda meg nem nyomja a felvételt; utána a Live. The first line appears in a moment. üzenet jelenik meg. A házigazda által választott nyelvek közül választanak (átiratonként legfeljebb 10-et, a 100 elérhetőből), és olvassák az átiratot, miközben a beszélő beszél. A házigazda a saját nyelvén beszél tovább. A hallgató bármikor nyelvet válthat; az addigi átirat az új nyelven jelenik meg újra.
Ha a hallgató inkább hallgat, minden lefordított sort felolvasnak. Alapértelmezés szerint minden beszélő kap egy saját, nemnek megfelelő beépített hangot, így egy panel továbbra is panelnek hangzik.
A három szakasz sorrendben történik, és mindegyik megvárja az előzőt. A felismeréshez szükséges egy beszédszakasz, mielőtt a szavakat véglegesíteni tudja, ezért az átirat a beszélőtől néhány tört másodperccel lemarad. A fordításhoz egész kifejezés kell, mert a szórend nyelvenként eltér, és a mondat vége megváltoztathatja az elejét, ezért egy-két másodperccel később követi. A beszéd csak a lefordított mondat után indulhat, így a felolvasott sor utoljára következik. Ebben nincs hiba, amit hangolni kellene; ez az, amit bármely rendszernek meg kell tennie, amely ezt a három feladatot végzi, az emberi tolmácsnak is, aki szintén megvárja az igét.
A beszélő engedélyével a házigazda klónozhatja a beszélő hangját abból a harminc másodpercnyi felvételből, amelyen a személy egyedül beszél (MP3, M4A vagy WAV; néhány perc jobb). A fordítást ekkor minden nyelven a beszélő saját hangján olvassák fel. A hangot úgy kezeld, ahogy van: biometrikus adatként. A GDPR alapján a személy felismerésére feldolgozott hangadat általában a 9. cikk szerinti különleges adatkategóriákba tartozik, és néhány amerikai állam, köztük Illinois, külön szabályozza a hangazonosítókat. A minta rögzítése előtt, nem utána, szerezd be a beszélő kifejezett hozzájárulását; a hang bármikor törölhető. A klónozással a beszélő a rendszerbe is felvételre kerül, ezért a későbbi felvételeken névvel lesz jelölve. A házigazda hangot rendelhet minden beszélőhöz, vagy elnémíthat egyet.
A késve érkező hallgató mindent lát, ami addig elhangzott, mielőtt belépett, majd élőben követi. Ha megszakad a kapcsolat, az oldal a kapcsolat visszatérése után magától utoléri a lemaradást. Ha a házigazda szünetelteti az adást, a hallgatók ezt látják: Paused. The transcript continues when the host resumes. Ha a házigazda leállítja, az oldal megmutatja a felvétel dátumát és hosszát, a közvetítés pedig listázza a korábbi felvételeket visszajátszáshoz.
A hallgató csak azt olvashatja, amit a motor meghallott, az élő felismerés pedig egy részét hibásan hallja.
A házigazda képernyőjén van egy Fix fül pontosan erre. A Mark uncertain words a motor által bizonytalannak ítélt szavakat színezi és aláhúzza, a Click to correct pedig megnyit egy sort átnézésre. A fül a bizonytalan szakaszokon egyesével végigvezet, így az asztalnál ülő második személy feldolgozhatja őket, miközben a beszélő folytatja.
Ha a házigazda átír egy szót vagy egy sort, akkor is, ha az még hangzik el, minden hallgató látja a javítást. Az a sor, amelynek a megbízhatósága túl alacsony, Audio unclear felirattal rejtve marad a hallgatók elől, ahelyett hogy hibásan jelenne meg; a házigazda továbbra is lát minden szót. Az üres rész ismert hiány; a magabiztosan téves szó viszont pletyka.
Ezek a javítások az előadás végén sem tűnnek el.
Minden megmarad. A felvétel, az átirat a javításokkal és fordításokkal, valamint a hang a házigazda könyvtárába kerül. A visszajátszás pontosan úgy játssza le, ahogyan érkezett, sorról sorra, hanggal együtt. Amint a szavak véglegesek, minden nyelven készül cím és összefoglaló, a házigazda képernyőjének Summary és Export fülei pedig ezeket közvetlenül kiviszik az eseményből.
Az exportált fájlok SRT-feliratok, PDF, Excel vagy JSON formátumúak, a javításokkal és fordításokkal együtt, a hang pedig MP3-fájlként tölthető le. Minden átirat kereshető bármely nyelven.
Az Audience nézet megmutatja, ki hallgatott, milyen nyelven, és mikor csatlakozott: gyakran ez az első valódi szám, amit a szervező kap arról, ki melyik nyelvet igényelte. Addig a szokásos becslés az volt, hogy ki emelte a kezét, amikor angolul megkérdezték, kell-e fordítás. A hallgatói azonosítókat a felvétellel együtt törlik.
Beszédfelismerés, beszélőfelismerés és hangszintézis a mi általunk üzemeltetett szervereken fut, a hangod pedig nem kerül harmadik félhez feldolgozásra. A hangodat, az átirataidat vagy a hangjaidat nem használjuk modellek betanítására.
A megőrzési idő a csomagot követi: a Pay as you go csomagban a forráshangot és a hangokat 7 napig, az átiratokat 30 napig őrizzük; a Premium és az Enterprise csomag a fiók teljes élettartamára megőrzi őket. A másik dolog, amit a csomag eldönt, a számla.
Két szám számít. A Pay as you go és a Premium csomagban az élő átírás $0.60 óránként kerül, másodpercre pontosan számlázva, átiratonként legalább 5 perc díjjal, akár a Dashboardban, akár az API-n keresztül. Az Enterprise csomag volumenarányos árat kap. A hallgatók és a nyelvek ingyenesek: egy egyórás eseményt öt nyelven, kétszáz hallgató követ, $0.60-ba kerül. A fájlok olcsóbbak ($0.20 óránként), mert az élő átírás az egész esemény alatt valós időben fut. A csomagok a párhuzamos működésben, a felvétel maximális hosszában és az indulás sebességében térnek el; a Pay as you go csomagban a hidegindítás akár 15 másodpercet is igénybe vehet, ezért nyomd meg a felvételt egy kicsivel a beszélő előtt, nagyjából egy „Hallatszik a leghátsó sorban?” mondatnyival korábban. A teljes táblázat az árakról szóló oldalon található.
A kezdőlapon egy kétkészülékes bemutató található, az új fiók pedig a Dashboardban $5 regisztrációs kredittel érkezik, és nem kér bankkártyát. Az élő díjon ez a kredit több mint nyolc óra közvetítésre elegendő.
Azon gondolkodsz, hogy ez vagy a mindenki telefonjába épített élő fordítás kell? Olvasd el: miért nem elég a telefon egy teremhez. Egy teljes eseményhez a többnyelvű konferencia ellenőrzőlistája a hangútvonalat, a több színpadot egyetlen linken és a költségvetést fedi le. A fejlesztők mindezt kódból is megtehetik az API-referencián keresztül, ugyanazon az áron.
