Բազմալեզու սենյակին յուրաքանչյուր լեզվի համար խցիկ պետք չէ։ Նրան անհրաժեշտ է մեկ մաքուր աուդիո հոսք խառնիչ սեղանից, մեկ հղում, որը լսարանը բացում է իր հեռախոսով, և միջոց՝ սխալ լսված անունը ուղղելու, մինչ ելույթը դեռ շարունակվում է։
Ելույթը, ծառայությունը, դասախոսությունը կամ քաղաքային խորհրդի նիստը մեկ խոսող ունեն, և լսարանը ոչ բոլորն են այդ լեզվով մտածում։ Սովորական պատասխանները թանկ են, թերի են կամ անձնական։
Թանկ պատասխանը յուրաքանչյուր լեզվի համար թարգմանիչ է։ Նույնիսկ յուրաքանչյուր լեզվի համար մեկ թարգմանչի դեպքում պետք է խցիկ, ընդունիչների հավաքածու և մասնագետ յուրաքանչյուր լեզվի համար, և մասնագետները նույնը չեն ասում։ Յուրաքանչյուր թարգմանիչ ճնշման տակ իր ընտրությունն է անում՝ որ բառը գործածել տերմինի համար, ինչ սեղմել, ինչ բաց թողնել, երբ խոսողը արագանում է։ Սովորական ելույթում տարբերությունները գրեթե նշանակություն չունեն։ Դատական լսումների, քաղաքային քվեարկության կամ տեխնիկական ներկայացման ժամանակ դրանք կարևորվում են. սահմանված տերմինը, դեղաչափը կամ կետը ֆրանսախոս լսողին կարող է հասնել մի իմաստով, իսկ արաբախոսին՝ մեկ այլ, և սենյակում ոչ ոք դա նկատելու դիրքում չէ։ Մասնակի պատասխանը ենթագրերի մեկ էկրան է, միայն մեկ երկրորդ լեզվով։ Անձնական պատասխանը սենյակին ուղղված հիսուն հեռախոս է. հիսուն փոքր-ինչ սխալ տրանսկրիպտ, որոնցից յուրաքանչյուր հեռախոսը լսում է արձագանքն ու հազը նույնքան հստակ, որքան խոսողին։
Այլընտրանքն է խոսողին մեկ անգամ տառադարձել մաքուր աղբյուրից, այդ մեկ տրանսկրիպտը թարգմանել լսարանին անհրաժեշտ յուրաքանչյուր լեզվով, որպեսզի բոլոր լեզուները սկսվեն նույն բառերից, և յուրաքանչյուր ունկնդիր ընտրի իր սարքում։ Ձայնագրությունը պահվում է, երբ միջոցառումն ավարտվում է։ Ահա, թե ինչպես են հաղորդողը և ունկնդիրը սա կարգավորում, և ինչ արժե դա։
Ուղիղ տառադարձումը կարող է լսել ցանկացած սարքի միկրոֆոն, OBS-ից կամ մեկ այլ էնկոդերից RTMP հոսք, որը ընդունում է սերվերի URL և հոսքի բանալի, YouTube-ի ուղիղ եթեր, ինտերնետ ռադիոկայան կամ ցանկացած URL, որը մատուցում է հոսք։ Հոսքի դեպքում VocalStack-ն ինքն է քաշում աուդիոն. ձեր կողմից ոչինչ չի աշխատում։
Աղբյուրը ավելի կարևոր է, քան ցանկացած կարգավորում։ Սենյակի միկրոֆոնը կամ սեղանին դրված հեռախոսը լսում է ինչպես խոսողին, այնպես էլ սենյակը. պատերից, աթոռներից, լսարանից արձագանքող հնչյունը։ Խոսքի ճանաչումը սաստիկ վատանում է, երբ ձայնը նվազում է աղմուկի համեմատ, և հենց դրա համար են այդ հիսուն հեռախոսները իրար հակասում։ Խառնիչ սեղանի հոսքը կրում է խոսողի սեփական միկրոֆոնը՝ սենյակից քիչ բան պարունակելով, և այսպիսով տառադարձումը հետևում է խոսողին, ոչ թե սենյակին։ Եթե միջոցառման վայրն ունի խառնիչ սեղան, հոսքը վերցրեք դրանից։
Խոսված լեզուն ինքնաբերաբար է հայտնաբերվում, և խոսողը կարող է ցանկացած պահի փոխել այն. նախապես նշելը օգնում է աղմկոտ ձայնագրություններում և ծանր առոգանության դեպքում։ Խոսնակի պիտակները կարող են լինել անջատված, միացված կամ When Needed, որը միացնում է դրանք, երբ լսվում է երկրորդ խոսնակը։ Երբ աուդիոն արդեն գալիս է, լսարանին անհրաժեշտ է տեղ, որտեղ գտնել այն։
Հեռարձակումը հղումն է. մեկ հասցե և QR կոդ, որը ունկնդիրները սկանավորում են՝ բացելու համար ուղիղ թարգմանությունը և ընտրելու իրենց լեզուն։ Հղումը ստեղծվում է հեռարձակմանը տված անունից։ Անունը հետագայում փոխելիս հին հղումը շարունակում է աշխատել, ուստի ծրագրի վրա տպված QR կոդը չի հնանում։
Հեռարձակումը լռելյայն հանրային է. ցանկացած մարդ, ով ունի հղումը, կարող է այն բացել։ Եթե այն դարձնեք մասնավոր և սահմանեք գաղտնաբառ, ունկնդիրներից այն կպահանջվի, նախքան տառադարձումը կերևա։
Մեկ հեռարձակմանը կարող են սնվել մի քանի ուղիղ տառադարձումներ, ուստի երկու բեմ ունեցող համաժողովը կիսում է մեկ հղում։ Հղումը մարդկանց ներս է բերում, իսկ նրանց պահում է ճիշտ անունների տալը։
Խոսքի ճանաչիչները սովորեցված են այն բանի վրա, թե մարդիկ սովորաբար ինչպես են խոսում, ուստի երբ հնչյունը երկիմաստ է, նրանք հասնում են ամենատարածված բառին։ Արտադրանքի անունը, ազգանունը, գյուղը, քիմիական նյութը. յուրաքանչյուրն ունի ավելի հաճախակի, հնչյունով մոտ բառ, և հենց դա է դուրս գալիս, եթե ճանաչիչը չգիտի, որ հազվագյուտ բառը գալու է։ Հենց դրա համար է սցենարը։ Մեկնարկից առաջ ավելացրեք սցենար կամ սլայդներ, և դրանցում եղած անուններն ու տերմինները կգերակշռեն սխալ լսվածի նկատմամբ։ Մասնագիտական ելույթներում հենց այս անուններն ու տերմիններն են, որտեղ ճանաչումը սովորաբար ձախողվում է։ Ձայնագրման ընթացքում Script ներդիրը հետևում է ինչպես թելեպրոմպտերը՝ լուսավորելով արդեն ասված բառերը։
Սա է ամբողջ կարգավորումը. հղման մյուս կողմում ավելի քիչ բան է մնում անելու։
Ունկնդիրին անհրաժեշտ է հղում կամ QR կոդ և հեռախոս։ Նա բացում է հղումը բրաուզերում և տեսնում The broadcast hasn't started yet, մինչև հաղորդողը սեղմի ձայնագրման կոճակը, ապա՝ Live. The first line appears in a moment. Նա ընտրում է հաղորդողի նշած լեզուներից (յուրաքանչյուր տառադարձման համար՝ մինչև 10՝ հասանելի 100-ից) և կարդում է տառադարձումը, երբ խոսողը խոսում է։ Հաղորդողը շարունակում է խոսել իր լեզվով։ Ունկնդիրը ցանկացած պահի կարող է փոխել լեզուն, և մինչ այդ ասված տառադարձումը կրկին ցուցադրվում է նոր լեզվով։
Եթե ունկնդիրը նախընտրում է լսել, յուրաքանչյուր թարգմանված տող բարձրաձայն է կարդացվում։ Լռելյայն յուրաքանչյուր խոսնակ ստանում է տարբեր ստանդարտ ձայն՝ համապատասխան սեռի, այնպես որ պանելը դեռ հնչում է որպես պանել։
Երեք փուլերը տեղի են ունենում հաջորդաբար, և յուրաքանչյուրը սպասում է նախորդին։ Ճանաչումը կարիք ունի խոսքի որոշ հատվածի, մինչև կարողանա հաստատել բառերը, ուստի տառադարձումը հետ է մնում խոսողից մի վայրկյանի մի մասով։ Թարգմանությունը կարիք ունի ամբողջ արտահայտության, քանի որ բառերի կարգը տարբեր է լեզուների միջև, և նախադասության վերջը կարող է փոխել սկիզբը, ուստի այն հետևում է մեկ-երկու վայրկյան անց։ Խոսքը կարիք ունի թարգմանված նախադասության, մինչև սկսվի, ուստի խոսվող տողը գալիս է վերջինը։ Սա թերություն չէ, որ պետք է վերացնել. այն այն է, ինչ պետք է անի ցանկացած համակարգ, որը կատարում է այս երեք գործը, ներառյալ մարդ թարգմանիչը, որը նույնպես սպասում է բային։
Խոսողի թույլտվությամբ հաղորդողը կարող է կլոնավորել խոսողի ձայնը այդ մարդու մենախոսության երեսուն վայրկյանից (MP3, M4A կամ WAV. մի քանի րոպեն ավելի լավ է)։ Թարգմանությունը այնուհետև կարդացվում է խոսողի սեփական ձայնով բոլոր լեզուներով։ Ձայնը պետք է ընկալել այնպես, ինչպես այն կենսաչափական տվյալ է։ GDPR-ի համաձայն, ձայնային տվյալները, որոնք մշակվում են անձին ճանաչելու համար, ընդհանուր առմամբ ընկնում են 9-րդ հոդվածի հատուկ կատեգորիաների մեջ, իսկ ԱՄՆ որոշ նահանգներ, մասնավորապես Իլինոյսը, առանձին կարգավորում են ձայնի հետքերը (voiceprints)։ Նմուշը գրանցելուց առաջ ստացեք խոսնակի բացահայտ համաձայնությունը, ոչ թե հետո. ձայնը կարող է ցանկացած պահի ջնջվել։ Կլոնավորումը նաև գրանցում է խոսնակին, ուստի ապագա ձայնագրություններում նա նշվում է անունով։ Հաղորդողը կարող է յուրաքանչյուր խոսնակի վերագրել ձայն կամ լռեցնել մեկին։
Ուշ միացած ունկնդիրը տեսնում է ամեն ինչ, որ ասվել է նրա գալուց առաջ, ապա հետևում է ուղիղին։ Եթե կապը խզվում է, էջը ինքնուրույն վերականգնվում է, երբ կապը վերադառնում է։ Երբ հաղորդողը դադար է դնում, ունկնդիրները տեսնում են Paused. The transcript continues when the host resumes. Երբ հաղորդողը կանգնեցնում է, էջը ցույց է տալիս ձայնագրության ամսաթիվը և տևողությունը, իսկ հեռարձակումը ցուցակում է իր անցած ձայնագրությունները վերարտադրության համար։
Ունկնդիրը կարող է կարդալ միայն այն, ինչ լսել է շարժիչը, և ուղիղ ճանաչումը դրանից մի մասը սխալ է ստանում։
Հաղորդողի էկրանն ունի Fix ներդիր հենց դրա համար։ Mark uncertain words-ը գունավորում և ընդգծում է այն բառերը, որոնց շարժիչը վստահ չէր. Click to correct-ը բացում է տողը վերանայման համար։ Ներդիրը անցնում է անորոշ հատվածների վրայով մեկ առ մեկ, որպեսզի սեղանի մոտ երկրորդ մարդը կարողանա դրանք մշակել, մինչ խոսողը շարունակում է։
Երբ հաղորդողը վերագրում է բառ կամ տող, նույնիսկ դեռ ասվող տողը, յուրաքանչյուր ունկնդիր տեսնում է ուղղումը։ Տող, որի վստահության աստիճանը չափազանց ցածր է, ունկնդիրներից թաքցվում է որպես Audio unclear և չի ցուցադրվում սխալ։ Հաղորդողը դեռ տեսնում է յուրաքանչյուր բառ։ Դատարկ տեղը հայտնի բացն է. վստահ, բայց սխալ բառը՝ լուր։
Այդ ուղղումները չեն անհետանում, երբ ելույթն ավարտվում է։
Ամեն ինչ պահվում է։ Ձայնագրությունը, դրա տառադարձումը ուղղումներով և թարգմանություններով, և աուդիոն ընկնում են հաղորդողի գրադարան։ Վերարտադրումը նվագում է այն ճիշտ այնպես, ինչպես ստացվել է, տողով տող, իր աուդիոյով։ Երբ բառերը վերջնական են, վերնագիրը և ամփոփումը գրվում են բոլոր լեզուներով, և հաղորդողի էկրանի Summary և Export ներդիրները դրանք անմիջապես դուրս են բերում միջոցառումից։
Արտահանումները SRT ենթագրեր են, PDF, Excel կամ JSON, ուղղումներով և թարգմանություններով, իսկ աուդիոն ներբեռնվում է որպես MP3։ Յուրաքանչյուր տառադարձում որոնելի է ցանկացած լեզվով։
Audience ներդիրը ցույց է տալիս, թե ով է լսել, ինչ լեզվով և երբ է միացել. հաճախ սա կազմակերպչի ստացած առաջին իրական հաշվարկն է, թե ով ինչ լեզվի կարիք ուներ։ Մինչ այդ սովորական գնահատականն այն էր, թե ով բարձրացրեց ձեռքը, երբ անգլերենով հարցրին, թե կարիք ունեն արդյոք թարգմանության։ Ունկնդիրների նույնացուցիչները ջնջվում են ձայնագրության հետ միասին։
Խոսքի ճանաչումը, խոսնակի ճանաչումը և ձայնի սինթեզը աշխատում են մեր սպասարկած սերվերներում, և ձեր աուդիոն չի ուղարկվում երրորդ կողմին մշակման համար։ Մենք չենք օգտագործում ձեր աուդիոն, տառադարձումները կամ ձայները մոդելներ վարժեցնելու համար։
Պահպանման ժամկետը կախված է փաթեթից. Pay as you go-ում աղբյուրի աուդիոն և ձայները պահվում են 7 օր, տառադարձումները՝ 30 օր. Premium-ը և Enterprise-ը դրանք պահում են հաշվի ամբողջ կյանքի ընթացքում։ Փաթեթի մյուս որոշումը վճարումն է։
Երկու թիվ է կարևոր։ Pay as you go և Premium փաթեթներում ուղիղ տառադարձումը արժե $0.60 ժամում աուդիոյի համար, վճարվում է ըստ վայրկյանի՝ յուրաքանչյուր տառադարձման համար 5 րոպե նվազագույնով, և՛ կառավարման վահանակում, և՛ API-ի միջոցով։ Enterprise-ը ունի ծավալային գներ։ Ունկնդիրները և լեզուները անվճար են. մեկ ժամվա միջոցառում, որը հինգ լեզվով կարդում է երկու հարյուր մարդ, արժե $0.60։ Ֆայլերը ավելի էժան են ($0.20 ժամում), քանի որ ուղիղ տառադարձումը ամբողջ միջոցառման ընթացքում աշխատում է իրական ժամանակում։ Փաթեթները տարբերվում են միաժամանակության, ձայնագրության առավելագույն երկարության և մեկնարկի արագության մեջ. Pay as you go փաթեթում սառը մեկնարկը կարող է տևել մինչև 15 վայրկյան, ուստի սեղմեք ձայնագրությունը մի փոքր առաջ, քան խոսողը սկսում է, մոտավորապես մեկ այդպիսի հարցի չափ առաջ՝ «Կարո՞ղ են հետևում գտնվողները լսել ինձ»։ Ամբողջական աղյուսակը գտնվում է գների էջում։
Գլխավոր էջը ունի երկու հեռախոսով ցուցադրություն, իսկ նոր հաշիվը կառավարման վահանակում գալիս է $5 գրանցման կրեդիտով և չի պահանջում քարտ։ Ուղիղ դրույքաչափով այդ կրեդիտը բավարարում է ավելի քան ութ ժամ հեռարձակման համար։
Երկմտու՞մ եք սրա և ամեն մարդու հեռախոսում ներկառուցված ուղիղ թարգմանության միջև։ Կարդացեք ինչու հեռախոսը չի բավարարում սենյակի համար։ Ամբողջ միջոցառման համար բազմալեզու համաժողովի ստուգաթերթը ընդգրկում է աուդիո ուղին, մի քանի փուլ մեկ հղման վրա և բյուջեն։ Մշակողները կարող են այս ամենն անել կոդից՝ API հղումով, նույն դրույքաչափով։
