Իրական ժամանակի տառադարձում և թարգմանություն. ինչպես է աշխատում ուղիղ խոսք տեքստի, որքան է հետ մնում, ինչն է ազդում ճշգրտության վրա և որքան է արժե։
Իրական ժամանակի տառադարձումը խոսքը վերածում է տեքստի, մինչ մարդը դեռ խոսում է։ Բառերը հայտնվում են էկրանին արտասանվելուց մի պահ անց, հաստատվում են վերջնական տողերում, և դրանք կարող է կարդալ յուրաքանչյուր հետևող։ Ավելացրեք իրական ժամանակի թարգմանությունը, և յուրաքանչյուր ընթերցող կարող է նույն խոսքին հետևել իր լեզվով՝ որպես տեքստ կամ բարձրաձայն կարդացված։
Այս ուղեցույցը իրական ժամանակի տառադարձումն ու թարգմանությունը դիտարկում է երկու կողմից. ինչ է տեսնում ունկնդիրը, որտեղից կարող է գալ ձայնը, ինչն է որոշում ճշգրտությունը, ինչ են ստանում մշակողները API-ից և որքան է արժե։
Իրական ժամանակի տառադարձումը, որը կոչվում է նաև ուղիղ տառադարձում կամ ուղիղ խոսք տեքստի, խոսքի ճանաչում է, որն աշխատում է, մինչ աուդիոն դեռ գալիս է։ Ձայնագրված ֆայլը կարելի է տառադարձել՝ ամբողջ ձայնագրությունը ձեռքի տակ ունենալով։ Ուղիղ տառադարձումը պետք է բառերի մասին որոշում կայացնի՝ ունենալով միայն վերջին մի քանի վայրկյանը, և համընթաց լինի խոսողի հետ այնքան ժամանակ, քանի դեռ նա խոսում է։
Ուղիղ ենթագրերը նույնն են՝ ցուցադրված որպես կարճ տողեր տեսանյութի վրա կամ էկրանին։
VocalStack-ում ուղիղ տառադարձումը կարող է լսել 100 լեզվով։ Այն ինքնուրույն ճանաչում է խոսվող լեզուն և հետևում է խոսողին, եթե նա փոխի այն, ինչը բացատրում է ինչպես է աշխատում լեզվի ավտոմատ ճանաչումը հոդվածը, ինչպես նաև թե երբ է լավ լեզուն նախապես նշել։
Տեքստը գալիս է երկու փուլով։ Ամենանոր բառերը նախ հայտնվում են որպես սևագիր, որը դեռ կարող է փոխվել, երբ ավելի շատ աուդիո է մտնում։ Մի պահ անց սևագիրը հաստատվում է վերջնական տողում, որն այլևս չի փոխվում։
Սևագիրը գոյություն ունի, որովհետև ճանաչիչը բառի մասին որոշում է մասամբ ըստ այն բանի, թե ինչ է գալիս դրանից հետո։ «Ծովակալ» և «ծով ակալ» հնչում են նույնը, մինչև հաջորդ բառը գա։ Գուշակությունը շուտ ցույց տալն է, որ տառադարձությունը ուղիղ է զգացվում։
Տեքստի հետ մնալը խոսողից կախված է փուլից.
Այդ շղթայից դուրս կա երկու ուշացում։ Երբ աղբյուրը հանրային հոսք է, ոչ թե խոսափող, հոսքն ինքը արդեն հետ է մնում իր ուղիղ եզրից. մեկ-երեք վայրկյան սովորական ինտերնետ ռադիոհոսքի համար, և մի քանի վայրկյանից մինչև կես րոպե HLS-ի համար։ Իսկ Pay as you go-ում ուղիղ տառադարձումը կարող է սկսվել մինչև 15 վայրկյանում։ Ամբողջական բաշխումը, ներառյալ ուշացման Auto, Fast և Accuracy ռեժիմները, ուղիղ թարգմանության ուշացումը, բացատրված հոդվածում է։
Թարգմանությունը աշխատում է տառադարձության վրա։ Ուղիղ տառադարձումը կարելի է միաժամանակ թարգմանել մինչև 10 լեզվով՝ ընտրված 100-ից։ Յուրաքանչյուր ունկնդիր իր սարքում ընտրում է դրանցից մեկը և կարող է ցանկացած պահի փոխել. մինչ այդ պահը եղած տառադարձությունը նորից ցուցադրվում է նոր լեզվով։
Յուրաքանչյուր լեզու թարգմանվում է նույն տառադարձությունից, ուստի յուրաքանչյուր ունկնդիր ստանում է նույն բառերը, և ուղղումը հասնում է բոլորին։
Ունկնդիրը, որը նախընտրում է լսել, քան կարդալ, կարող է յուրաքանչյուր թարգմանված տողը կարդացնել բարձրաձայն։ Լռելյայն յուրաքանչյուր խոսնակ ստանում է իր սեռին համապատասխան առանձին ստանդարտ ձայն, ուստի քննարկումը դարձյալ հնչում է որպես մի քանի մարդ։ Խոսնակի համաձայնությամբ հյուրընկալողը կարող է կլոնավորել նրա ձայնը՝ նրա մենակ խոսելու շուրջ 30 վայրկյանից, և թարգմանությունը ապա կարդացվում է նրա սեփական ձայնով։
Ձայների կանոնը միտումնավոր նեղ է։ Ձայնը կարդում է միայն այն, ինչ նույն մարդն է ասել՝ թարգմանված ունկնդրի ընտրած լեզվով։ Այն երբեք չի կարդում ինչ-որ մեկի մուտքագրած տեքստը և երբեք չի կարդում մի խոսնակի բառերը մյուսի ձայնով։
Թե ինչպես է դա աշխատում մի ամբողջ սենյակի համար՝ հյուրընկալողի կարգավորումից մինչև ուշ եկողը, նկարագրված է մեկ հղում, յուրաքանչյուր լեզու հոդվածում։
Ուղիղ տառադարձումը պահանջում է աուդիոյի աղբյուր։ Սրանք այն աղբյուրներն են, որ VocalStack-ն ընդունում է այսօր.
Ենթագրերը YouTube-ի սեփական նվագարկիչում՝ նրա CC կոճակով, շուտով կլինեն։ Մինչ այդ YouTube հեռարձակման դիտողները հետևում են ենթագրերին հեռարձակման հղումով։
Եթե ձեզ ուղիղ տառադարձում է պետք Windows-ում այսօր, այնտեղ աշխատում են Chrome-ի կամ Edge-ի ընդլայնումը, OBS-ի պլագինը և Dashboard-ը դիտարկիչում։
Հեռարձակումը այն ձևն է, որով այլ մարդիկ հետևում են ուղիղ տառադարձմանը։ Դա մեկ հղում է և QR կոդ։ Ունկնդիրները բացում են այն դիտարկիչում, ընտրում լեզու և կարդում։ Նրանց հաշիվ պետք չէ, ոչինչ չեն տեղադրում և ոչինչ չեն արժենում. հաշիվը չի փոխվում ունկնդիրների կամ լեզուների քանակից։
Հեռարձակումը լռելյայն հանրային է և կարող է պաշտպանվել գաղտնաբառով։ Եթե վերանվանեք նրա հղումը, հինը շարունակում է աշխատել, ուստի ծրագրի վրա տպված QR կոդը չի հնանում։ Մեկ հեռարձակումը կարող է կրել մի քանի ուղիղ տառադարձում, ուստի երկու բեմ կարող են կիսել մեկ հղում։
Ուշ եկած ունկնդիրը տեսնում է այն ամենը, ինչ ասվել է մինչ իր գալը, ապա հետևում է ուղիղ։ Հետո Audience տեսքը ցույց է տալիս, թե ով է լսել, ինչ լեզվով և երբ է միացել։
Միջոցառումների համար բազմալեզու կոնֆերանսի ստուգաթերթը ծածկում է ձայնը, բեմերը և բյուջեն, իսկ ուղիղ տառադարձումը եկեղեցիների, դասախոսությունների դահլիճների և քաղաքային խորհրդի նիստերի համար ծածկում է նույն կարգավորման շաբաթական տարբերակը։
Վերը նշված ամեն ինչ կարելի է անել կոդից։ Ձեր սեփական հավելվածում ուղիղ աուդիոյի համար API-ն ունի իրական ժամանակի սեսիաներ. ձեր սերվերը մեկ կանչ է անում POST /v1/realtime/sessions API բանալիով և ստանում կարճատև streamUrl։ Ձեր կլիենտը բացում է WebSocket դեպի այն, ուղարկում է հում աուդիո՝ ինչպես որ ձայնագրվում է, և տառադարձությունը կարդում է հետ որպես JSON շրջանակներ։
Շրջանակները հետևում են նույն երկու փուլին, որ տեսնում է ընթերցողը։ transcript.draft-ը փոխարինում է ուղիղ պոչը, transcript.committed-ը ավելացնում է վերջնական տող, և միացված թարգմանության դեպքում ամբողջ նախադասությունները գալիս են իրենց թարգմանություններով։ Թիրախ լեզուները, խոսնակների պիտակները և ուշացման ռեժիմը կարելի է փոխել սեսիայի կեսին session.update-ով։
Իրական ժամանակի սեսիան ոչինչ չի պահում։ Երբ ուզում եք, որ բառերը պահվեն, ուղղվեն և կիսվեն լսարանի հետ, դրա փոխարեն աուդիոն հրապարակում եք ուղիղ տառադարձման և հեռարձակման մեջ։ Պաշտոնական SDK-ները TypeScript-ի, Python-ի և PHP-ի համար փաթաթում են երկուսն էլ, իսկ MCP սերվերը թույլ է տալիս արհեստական բանականության օգնականին օգտագործել նույն հաշիվը։
WebSocket-ի ձեռնարկը քայլ առ քայլ կառուցում է աշխատող ենթագրերի տեսք, իսկ API-ի տեղեկատուն ունի յուրաքանչյուր դաշտը։ API-ի օգտագործումը հաշվարկվում է Dashboard-ի նույն սակագնով։
Ճշգրտությունը որոշվում է հիմնականում նախքան որևէ ճանաչիչի աշխատելը՝ այն աուդիոյով, որ նրան տրվում է։ Չորս բան ամենամեծ տարբերությունն է անում։
Խոսափողը։ Խոսողին մոտ խոսափողը կամ վայրի խառնիչ սեղանից ստացված ազդանշանը ձայնը կրում է սենյակի քիչ մասով։ Սեղանի վրա դրված հեռախոսը լսում է խոսողին գումարած արձագանքը, աթոռները և հազը։ Սա ամենամեծ առանձին գործոնն է, և ինչու հեռախոսը բավարար չէ սենյակի համար հոդվածը բացատրում է պատճառը։
Աղմուկ և համընկնում։ Ֆոնային աղմուկը առաջացնում է բաց թողնված և հորինված բառեր, իսկ միաժամանակ խոսող երկու մարդ շփոթեցնում է և՛ բառերը, և՛ այն, թե ով է դրանք ասել։ Աուդիոյի տառադարձման սխալները թվարկում է յոթ տարածված պատճառ, թե ինչպես է յուրաքանչյուրը երևում և ինչպես ուղղել։
Հղումային սցենար։ Հայտնի անունները և եզրույթները ճանաչվում են այնպես, ինչպես կան։ Ընկերության ապրանքների անունները, ներքին հապավումը կամ հյուրի անսովոր ազգանունը նախապես հնարավոր չէ իմանալ, ուստի սկսելուց առաջ ավելացրեք սցենար կամ սլայդներ, և դրանցում եղած անուններն ու եզրույթները գրվում են ճիշտ այնպես, ինչպես դուք գրել եք։
Խոսնակների պիտակներ։ Պիտակները կարող են լինել Off, On կամ When Needed, որը դրանք միացնում է, երբ լսվում է երկրորդ խոսնակ։ Խոսնակների դիարիզացիան և խոսքի ճանաչումը բացատրում է, թե ինչու երկու պատասխանները՝ ինչ է ասվել և ով է ասել, առանձին են և ուղղվում են առանձին։
Ուշացման ռեժիմն էլ է կարևոր. Fast-ը տեքստը շուտ է հանում, բայց ավելի շատ է վերանայում, Accuracy-ն մի քիչ ավելի է սպասում։
Մեկ ճշգրտության թիվը ավելի քիչ բան է ասում, քան թվում է։ Բառերի սխալի մակարդակը սխալ անունը հաշվում է նույնը, ինչ բաց թողնված «և»-ն, ուստի ինչ է չափում բառերի սխալի մակարդակը և ինչը բաց թողնում հոդվածը առաջարկում է համակարգը գնահատել այն սխալներով, որոնք այն թույլ է տալիս բռնել և ուղղել։
Ոչ մի ուղիղ տառադարձություն կատարյալ չէ, ուստի հյուրընկալողի էկրանն ունի Fix ներդիր։ Այն կարող է նշել այն բառերը, որոնցում ճանաչիչը վստահ չէր, և ցանկացած տող կարելի է բացել և ուղղել։ Սեղանի մոտ երկրորդ մարդը կարող է դրանք անցնել, մինչ խոսողը շարունակում է։
Երբ հյուրընկալողը վերագրում է բառը կամ տողը, նույնիսկ դեռ արտասանվողը, յուրաքանչյուր ունկնդիր տեսնում է ուղղումը՝ բոլոր լեզուներով։ Չափազանց քիչ վստահությամբ լսված տողը ունկնդիրներից թաքցվում է որպես «Audio unclear»՝ սխալ ցույց տալու փոխարեն. հյուրընկալողը դեռ տեսնում է այն։
Ձայնագրությունը պահվում է իր տառադարձությամբ, ուղղումներով և թարգմանություններով։ Հետո կարող եք.
Աուդիոյի և տառադարձությունների պահպանման տևողությունը կախված է պլանից, և գների էջը այն թվարկում է։
Ուղիղ տառադարձման գործիքների մեծ մասը ցուցադրության ժամանակ նման է թվում. տարբերությունները երևում են ստորև հարցերում։ Աջ սյունակը նկարագրում է VocalStack-ը այնպես, ինչպես այսօր է։
| Հարց | Ինչու է կարևոր | VocalStack |
|---|---|---|
| Ո՞ր լեզուները կարող է լսել։ | Գործիքը, որը չի կարող տառադարձել խոսողի լեզուն, չի կարող օգնել, որքան էլ լավ լինի նրա թարգմանությունը։ | 100 լեզու, ճանաչվում է ավտոմատ, խոսակցության կեսին փոխարկմամբ |
| Որքանո՞վ է տեքստը հետ մնում խոսողից։ | Ընթերցողները ավելի շատ նկատում են աճող բացը, քան երբեմն սխալ բառը։ | Բնագիր տեքստը վայրկյանի մասով հետևում է, թարգմանությունը՝ մեկ-երկու վայրկյան անց. ուշացման երեք ռեժիմ |
| Թարգմանո՞ւմ է, և ո՞վ է ընտրում լեզուն։ | Մեկ էկրանին մեկ ենթագրերի լեզուն բոլոր մյուսներին դուրս է թողնում։ | Տառադարձման համար մինչև 10 լեզու, յուրաքանչյուր ունկնդիր ընտրում է իրենը |
| Կարո՞ղ է արտասանել թարգմանությունը։ | Որոշ ունկնդիրներ չեն կարող կարդալ կամ նախընտրում են չկարդալ։ | Լռելյայն ստանդարտ ձայներ. խոսնակի սեփական կլոնավորված ձայնը՝ նրա համաձայնությամբ |
| Ինչպե՞ս է այն հասնում լսարանին։ | Հավելվածներն ու հաշիվները մարդկանց կորցնում են դռան մոտ։ | Մեկ հղում և QR կոդ, առանց հաշվի, կամընտիր գաղտնաբառ |
| Կարո՞ղ եք սխալները ուղղել ուղիղ։ | Մեկ ժամ կրկնվող սխալ լսված անունը իրական վնաս է հասցնում։ | Ուղիղ ուղղումներ՝ ուղարկված յուրաքանչյուր ունկնդրին |
| Որտեղի՞ց կարող է գալ ձայնը։ | Ձեր կարգավորումը չպետք է փոխվի գործիքին հարմարվելու համար։ | Խոսափող, դիտարկիչի ընդլայնումներ, աշխատասեղանի հավելված, OBS, RTMP, հոսքի հղումներ |
| Կա՞ API։ | Գուցե ենթագրեր ուզեք ձեր սեփական արտադրանքում։ | REST և WebSocket API, SDK-ներ, MCP սերվեր, Dashboard-ի նույն սակագինը |
| Ինչպե՞ս է գնագոյացումը։ | Ունկնդրի կամ տեղի գինը աճում է ձեր լսարանի հետ։ | Աուդիոյի վայրկյանի համար. ունկնդիրները և լեզուները անվճար են |
VocalStack-ում վճարում եք տառադարձված աուդիոյի վայրկյանի համար։ Գրելու պահին ուղիղ տառադարձումն արժե $0.60 ժամը, իսկ ֆայլերը՝ $0.20 ժամը, յուրաքանչյուր պլանում, Dashboard-ում և API-ի միջոցով հավասարապես։ Թարգմանությունը, ձայները, ամփոփումները, հեռարձակումը և ունկնդիրները երբեք չեն ավելացնում հաշվին, ուստի հինգ լեզվով 200 մարդու կարդացած մեկ ժամանոց ելույթն արժե նույն $0.60-ը, ինչ ոչ ոքի կարդացածը։
Պլանները տարբերվում են մի քանի ձևով.
Եթե ոչ ոք կարիք չունի կարդալու, մինչ այն ընթանում է, վերբեռնեք ձայնագրությունը հետո՝ ֆայլերի սակագնով։ Յուրաքանչյուր պլանի ընթացիկ գները, պահպանումը և սահմանաչափերը գների էջում են։
VocalStack-ի նոր հաշիվը գալիս է $5 գրանցման կրեդիտով և քարտ չի պահանջում։ $0.60 ժամով դա մոտ ութ ժամ ուղիղ տառադարձում է՝ թարգմանությամբ և հեռարձակմամբ ներառված։ Դրանից հետո վճարում եք վայրկյանով։ Ունկնդիրները միշտ անվճար են։
Այո։ Ուղիղ տառադարձումը կարելի է թարգմանել մինչև 10 լեզվով միաժամանակ, մինչ մարդը խոսում է։ Թարգմանությունը հայտնվում է բնագիր տեքստից մեկ-երկու վայրկյան անց, և յուրաքանչյուր ունկնդիր ընտրում է իր լեզուն։
Կախված է հիմնականում աուդիոյից։ Մոտ խոսափողը կամ սեղանի ազդանշանը, քիչ ֆոնային աղմուկը, մեկ-մեկ խոսող մարդը և անուններով հղումային սցենարը տալիս են լավագույն արդյունքները։ Ուղիղ ուղղումները թույլ են տալիս հյուրընկալողին ուղղել այն, ինչ դեռ սխալ է, մինչ ելույթը շարունակվում է։
Բնագիր լեզվով տեքստը խոսողից հետ է մնում վայրկյանի մասով, իսկ թարգմանությունները հետևում են մեկ-երկու վայրկյան անց։ Հանրային հոսքը ավելացնում է իր սեփական ուշացումը՝ նախքան աուդիոն կհասնի VocalStack։
Այո՝ Chrome-ի կամ Edge-ի ընդլայնմամբ, OBS Studio-ի պլագինով կամ Dashboard-ով դիտարկիչում։ Աշխատասեղանի հավելվածն այսօր macOS-ի համար է, Windows-ը՝ շուտով։
Ոչ։ Ունկնդիրները բացում են հեռարձակման հղումը կամ սկանավորում են նրա QR կոդը դիտարկիչում, ընտրում լեզու և կարդում։ Տեղադրելու ոչինչ չկա։
Բացեք Dashboard-ը, սկսեք ուղիղ տառադարձում ձեր խոսափողից և բացեք նրա հեռարձակման հղումը ձեր հեռախոսում։ Գրանցման կրեդիտը ծածկում է ձեր առաջին ժամերը, և դուք ինքներդ կտեսնեք, թե ինչպես են սևագրերը հաստատվում, իսկ թարգմանությունը հետևում։