Ruangan multibahasa tidak perlu satu bilik penerjemah untuk setiap bahasa. Yang dibutuhkan adalah satu aliran audio yang bersih dari meja mixer, satu tautan yang dibuka pendengar di ponsel mereka sendiri, dan cara untuk memperbaiki nama yang salah dengar selagi pembicaraan masih berlangsung.
Sebuah ceramah, kebaktian, kuliah, atau rapat dewan biasanya dibawakan oleh satu orang, sementara hadirinnya tidak semuanya berpikir dalam bahasa itu. Cara yang biasa dipakai untuk mengatasinya mahal, tidak lengkap, atau bersifat pribadi.
Cara yang mahal adalah menyediakan penerjemah untuk setiap bahasa. Bahkan dengan satu penerjemah per bahasa, itu berarti sebuah bilik, sejumlah penerima siaran, dan seorang ahli untuk setiap bahasa di ruangan, dan para ahli itu tidak selalu mengatakan hal yang sama. Setiap penerjemah membuat pilihannya sendiri di bawah tekanan waktu: kata mana yang dipakai untuk sebuah istilah, apa yang diringkas, apa yang dilewatkan saat pembicara berbicara cepat. Pada ceramah biasa, perbedaan itu nyaris tidak berarti. Pada sidang hukum, pemungutan suara dewan, atau pengarahan teknis, perbedaannya penting: sebuah istilah yang didefinisikan, dosis obat, atau sebuah klausul bisa sampai ke pendengar berbahasa Prancis dengan makna yang satu dan ke pendengar berbahasa Arab dengan makna yang lain, dan tidak ada orang di ruangan yang berada dalam posisi untuk menyadarinya. Cara yang tidak lengkap adalah umpan teks di satu layar, hanya dalam satu bahasa kedua. Cara yang bersifat pribadi adalah lima puluh ponsel yang diangkat ke arah ruangan: lima puluh transkrip yang sedikit keliru, dengan setiap ponsel mendengar gema dan batuk sama jelasnya dengan suara pembicara.
Alternatifnya adalah mentranskripsi pembicara sekali saja, dari sumber yang bersih, lalu menerjemahkan satu transkrip itu ke bahasa apa pun yang dibutuhkan hadirin, sehingga setiap bahasa berangkat dari kata-kata yang sama, dan setiap pendengar memilih sendiri di perangkatnya. Rekamannya disimpan ketika acara berakhir. Berikut cara penyelenggara dan pendengar mengaturnya, dan apa biayanya.
Transkripsi langsung bisa mendengarkan mikrofon di perangkat apa pun, feed RTMP dari OBS atau encoder lain yang menerima URL server dan kunci stream, siaran langsung YouTube, stasiun radio internet, atau URL apa pun yang menyajikan stream. Untuk stream, VocalStack mengambil audionya sendiri; tidak ada yang perlu dijalankan di sisi Anda.
Sumber audio lebih penting daripada pengaturan apa pun. Mikrofon ruangan, atau ponsel di atas meja, menangkap pembicara sekaligus ruangannya: pantulan dari dinding, kursi, dan hadirin. Pengenalan ucapan menurun tajam ketika suara menjadi lebih lemah dibandingkan derau itu, dan itulah sebabnya lima puluh ponsel tadi saling berbeda hasilnya. Feed dari meja mixer membawa mikrofon pembicara itu sendiri dengan sedikit ruangan di dalamnya, sehingga transkripnya mengikuti pembicara, bukan ruangan. Jika tempatnya punya meja mixer, ambil feed dari sana.
Bahasa yang diucapkan dideteksi secara otomatis, dan pembicara boleh berganti bahasa kapan saja; menyebutkannya di muka membantu pada rekaman yang bising dan aksen yang kental. Label pembicara bisa dimatikan, dinyalakan, atau diatur ke When Needed, yang akan menyalakannya begitu pembicara kedua terdengar. Setelah audio mengalir masuk, pendengar perlu tempat untuk menemukannya.
Siaran adalah tautannya: satu alamat dan kode QR yang dipindai pendengar untuk membuka terjemahan langsung dan memilih bahasa mereka. Tautan dibuat dari nama yang Anda beri pada siaran. Jika namanya diganti nanti, tautan lama tetap berfungsi, sehingga kode QR yang tercetak di jadwal acara tidak menjadi usang.
Siaran bersifat publik secara default: siapa pun yang punya tautannya bisa membukanya. Jadikan siaran privat dan atur kata sandi, maka pendengar akan diminta memasukkannya sebelum transkrip muncul.
Satu siaran bisa diumpani oleh beberapa transkripsi langsung, sehingga konferensi dengan dua panggung tetap memakai satu tautan. Tautan itu yang membuat orang masuk; yang membuat mereka bertahan adalah nama-nama yang benar.
Pengenal ucapan dilatih dengan cara orang biasanya berbicara, sehingga ketika sebuah bunyi ambigu, ia cenderung memilih kata yang umum. Nama produk, nama keluarga, nama desa, nama zat kimia: masing-masing punya kata yang bunyinya hampir sama tetapi lebih sering muncul, dan itulah yang keluar kecuali pengenal diberi tahu bahwa kata yang jarang akan datang. Di situlah fungsi naskah. Tambahkan naskah atau slide sebelum Anda mulai, dan nama serta istilah di dalamnya akan diutamakan atas yang salah dengar. Nama dan istilah itulah tempat pengenalan biasanya gagal pada ceramah yang bersifat spesialis. Selama rekaman, tab Script mengikuti seperti teleprompter, menyalakan kata-kata yang sudah diucapkan.
Itu saja pengaturannya. Di sisi lain tautan, pekerjaannya bahkan lebih sedikit.
Pendengar hanya butuh tautan atau kode QR, dan sebuah ponsel. Mereka membuka tautan di browser dan melihat The broadcast hasn't started yet sampai penyelenggara menekan rekam, lalu Live. The first line appears in a moment. Mereka memilih dari bahasa yang dipilih penyelenggara (hingga 10 per transkripsi, dari 100 yang tersedia) dan membaca transkrip saat pembicara berbicara. Penyelenggara tetap berbicara dalam bahasanya sendiri. Pendengar bisa mengganti bahasa kapan saja; transkrip sejauh itu ditampilkan lagi dalam bahasa yang baru.
Jika pendengar lebih suka mendengarkan, setiap baris terjemahan dibacakan. Secara default setiap pembicara mendapat suara bawaan yang berbeda dengan gender yang sesuai, sehingga panel tetap terdengar seperti panel.
Ketiga tahap berjalan berurutan, dan masing-masing menunggu tahap sebelumnya. Pengenalan membutuhkan sepotong ucapan sebelum bisa memastikan katanya, sehingga transkrip tertinggal dari pembicara beberapa per sekian detik. Terjemahan membutuhkan satu frasa utuh, karena urutan kata berbeda antarbahasa dan akhir kalimat bisa mengubah awalnya, sehingga ia mengikuti satu atau dua detik kemudian. Ucapan membutuhkan kalimat yang sudah diterjemahkan sebelum bisa dimulai, sehingga baris yang diucapkan datang paling akhir. Tidak ada yang perlu diperbaiki dari hal ini; itulah yang harus terjadi pada sistem mana pun yang melakukan ketiga tugas ini, termasuk penerjemah manusia, yang juga menunggu kata kerjanya.
Dengan izin pembicara, penyelenggara bisa mengkloning suara pembicara dari tiga puluh detik ketika orang itu berbicara sendirian (berkas MP3, M4A, atau WAV; beberapa menit lebih baik). Terjemahan kemudian dibacakan dengan suara pembicara sendiri dalam setiap bahasa. Perlakukan suara sebagai data biometrik. Di bawah GDPR, data suara yang diproses untuk mengenali seseorang umumnya termasuk kategori khusus Pasal 9, dan beberapa negara bagian AS, termasuk Illinois, mengatur voiceprint secara terpisah. Dapatkan persetujuan eksplisit pembicara sebelum sampel direkam, bukan sesudahnya; suara bisa dihapus kapan saja. Kloning juga mendaftarkan pembicara, sehingga mereka diberi label dengan nama pada rekaman berikutnya. Penyelenggara bisa menetapkan suara untuk setiap pembicara, atau membisukan salah satunya.
Pendengar yang datang terlambat melihat semua yang dikatakan sebelum mereka masuk, lalu mengikuti secara langsung. Jika koneksi terputus, halaman menyusul sendiri begitu koneksi kembali. Ketika penyelenggara menjeda, pendengar melihat Paused. The transcript continues when the host resumes. Ketika penyelenggara menghentikan, halaman menampilkan tanggal dan panjang rekaman, dan siaran mencantumkan rekaman-rekaman lamanya untuk diputar ulang.
Pendengar hanya bisa membaca apa yang didengar mesin, dan pengenalan langsung meleset pada sebagian kecil dari yang didengarnya.
Layar penyelenggara punya tab Fix untuk keperluan itu. Mark uncertain words memberi warna dan garis bawah pada kata-kata yang tidak yakin dikenali mesin; Click to correct membuka satu baris untuk ditinjau. Tab ini memandu segmen yang tidak pasti satu per satu, sehingga orang kedua di meja bisa menyelesaikannya sementara pembicara terus berbicara.
Ketika penyelenggara menulis ulang sebuah kata atau baris, bahkan baris yang masih diucapkan, setiap pendengar melihat koreksinya. Baris dengan tingkat keyakinan terlalu rendah disembunyikan dari pendengar sebagai Audio unclear alih-alih ditampilkan keliru; penyelenggara tetap melihat setiap kata. Kekosongan adalah celah yang sudah diketahui; kata yang salah tetapi yakin adalah desas-desus.
Koreksi-koreksi itu tidak hilang ketika acara berakhir.
Semua disimpan. Rekamannya, transkripnya dengan koreksi dan terjemahan, serta audionya masuk ke pustaka penyelenggara. Putar ulang memutarnya kembali persis seperti saat diterima, baris demi baris, dengan audionya. Setelah kata-katanya final, judul dan ringkasan ditulis dalam setiap bahasa, dan tab Summary serta Export di layar penyelenggara membawanya langsung keluar dari acara.
Ekspornya berupa subtitle SRT, PDF, Excel, atau JSON, dengan koreksi dan terjemahan disertakan, dan audionya bisa diunduh sebagai MP3. Setiap transkrip bisa dicari dalam bahasa apa pun.
Tampilan Audience menunjukkan siapa yang mendengarkan, dalam bahasa apa, dan kapan mereka bergabung: seringkali inilah hitungan nyata pertama yang didapat penyelenggara tentang siapa yang membutuhkan bahasa apa. Sebelumnya, perkiraan yang biasa dipakai adalah siapa yang mengangkat tangan ketika ditanya, dalam bahasa Inggris, apakah mereka butuh terjemahan. ID pendengar dihapus bersama rekamannya.
Pengenalan ucapan, pengenalan pembicara, dan sintesis suara berjalan di server yang kami operasikan, dan audio Anda tidak dikirim ke pihak ketiga mana pun untuk diproses. Kami tidak menggunakan audio, transkrip, atau suara Anda untuk melatih model.
Retensi mengikuti paket: pada Bayar Sesuai Pemakaian, audio sumber dan suara disimpan selama 7 hari dan transkripsi selama 30 hari; Premium dan Enterprise menyimpannya selama akun masih aktif. Hal lain yang ditentukan paket adalah tagihannya.
Ada dua angka yang penting. Pada Bayar Sesuai Pemakaian dan Premium, transkripsi langsung berharga $0.60 per jam audio, ditagih per detik dengan minimum 5 menit per transkripsi, baik di Dasbor maupun lewat API; Enterprise memiliki tarif volume. Pendengar dan bahasa gratis: acara satu jam yang dibacakan dalam lima bahasa oleh dua ratus orang berbiaya $0.60. File lebih murah ($0.20 per jam) karena transkripsi langsung berjalan secara real time selama seluruh acara. Paket berbeda dalam konkurensi, panjang rekaman maksimum, dan kecepatan memulai; pada Bayar Sesuai Pemakaian, start dingin bisa memakan waktu hingga 15 detik, jadi tekan rekam sedikit lebih awal daripada pembicara, kira-kira satu "Can everyone at the back hear me?" sebelumnya. Tabel lengkapnya ada di halaman harga.
Halaman utama memiliki demo dua ponsel, dan akun baru di Dasbor mendapat kredit pendaftaran $5 dan tidak memerlukan kartu. Pada tarif langsung, kredit itu cukup untuk lebih dari delapan jam siaran.
Sedang memilih antara ini dan fitur terjemahan langsung yang sudah ada di ponsel semua orang? Baca mengapa ponsel tidak cukup untuk sebuah ruangan. Untuk acara penuh, daftar periksa konferensi multibahasa mencakup jalur audio, beberapa tahap di satu tautan, dan anggaran. Pengembang bisa melakukan semua ini dari kode lewat referensi API, dengan tarif yang sama.
