Transkripsi dan terjemahan real-time dijelaskan: cara kerja ucapan ke teks langsung, seberapa tertinggal, apa yang memengaruhi akurasi, dan biayanya.
Transkripsi real-time mengubah ucapan menjadi teks saat orangnya masih berbicara. Kata-kata muncul di layar sesaat setelah diucapkan, mengendap menjadi baris final, dan bisa dibaca oleh siapa pun yang mengikuti. Tambahkan terjemahan real-time dan setiap pembaca dapat mengikuti ucapan yang sama dalam bahasanya sendiri, sebagai teks atau dibacakan.
Panduan ini membahas transkripsi dan terjemahan real-time dari kedua sisi: apa yang dilihat pendengar, dari mana audio dapat berasal, apa yang menentukan akurasi, apa yang didapat pengembang dari API, dan berapa biayanya.
Transkripsi real-time, juga disebut transkripsi langsung atau ucapan ke teks langsung, adalah pengenalan ucapan yang berjalan saat audio masih masuk. File rekaman dapat ditranskripsi dengan seluruh rekaman di tangan. Transkripsi langsung harus menetapkan kata hanya berdasarkan beberapa detik terakhir, dan terus mengimbangi pembicara selama ia berbicara.
Teks langsung adalah hal yang sama yang ditampilkan sebagai baris-baris pendek di atas video atau di layar.
Di VocalStack, transkripsi langsung dapat mendengarkan dalam 100 bahasa. Ia mendeteksi sendiri bahasa yang diucapkan dan mengikuti pembicara jika berganti bahasa, yang dijelaskan di cara kerja deteksi bahasa otomatis, beserta kapan sebaiknya bahasa disebutkan sebelumnya.
Teks tiba dalam dua tahap. Kata-kata terbaru muncul lebih dulu sebagai draf, yang masih bisa berubah saat lebih banyak audio masuk. Sesaat kemudian draf mengendap menjadi baris final yang tidak berubah lagi.
Draf ada karena pengenal menentukan sebuah kata sebagian berdasarkan apa yang mengikutinya. "Ice cream" dan "I scream" terdengar sama sampai kata berikutnya tiba. Menampilkan tebakan lebih awal itulah yang membuat transkrip terasa langsung.
Seberapa tertinggal teks dari pembicara bergantung pada tahapnya:
Dua jeda berada di luar rantai itu. Ketika sumbernya adalah stream publik dan bukan mikrofon, stream itu sendiri sudah tertinggal dari tepi langsungnya: satu hingga tiga detik untuk stream radio internet biasa, dan beberapa detik hingga setengah menit untuk HLS. Dan pada Pay as you go, transkripsi langsung dapat memerlukan hingga 15 detik untuk mulai. Rincian lengkapnya, termasuk mode latensi Auto, Fast, dan Accuracy, ada di latensi terjemahan langsung, dijelaskan.
Terjemahan berjalan di atas transkrip. Transkripsi langsung dapat diterjemahkan ke hingga 10 bahasa sekaligus, dipilih dari 100. Setiap pendengar memilih salah satunya di perangkatnya sendiri dan dapat menggantinya kapan saja; transkrip sejauh ini ditampilkan lagi dalam bahasa baru.
Setiap bahasa diterjemahkan dari transkrip yang sama, sehingga setiap pendengar mendapat kata-kata yang sama, dan sebuah perbaikan menjangkau mereka semua.
Pendengar yang lebih suka mendengarkan daripada membaca dapat meminta setiap baris terjemahan dibacakan. Secara default setiap pembicara mendapat suara bawaan yang berbeda dan sesuai jenis kelaminnya, sehingga sebuah panel tetap terdengar seperti beberapa orang. Dengan persetujuan pembicara, penyelenggara dapat mengkloning suara pembicara itu dari sekitar 30 detik saat ia berbicara sendirian, dan terjemahan lalu dibacakan dengan suaranya sendiri.
Aturan untuk suara sengaja dibuat sempit. Suara hanya membacakan apa yang diucapkan orang yang sama, diterjemahkan ke bahasa yang dipilih pendengar. Ia tidak pernah membacakan teks yang diketik seseorang, dan tidak pernah membacakan kata-kata satu pembicara dengan suara pembicara lain.
Cara kerjanya untuk satu ruangan penuh, dari pengaturan penyelenggara sampai pendengar yang datang terlambat, ada di Satu tautan, semua bahasa.
Transkripsi langsung memerlukan sumber audio. Berikut yang diterima VocalStack saat ini:
Teks di dalam pemutar YouTube sendiri, lewat tombol CC-nya, segera hadir. Sampai saat itu, penonton siaran YouTube mengikuti teks di tautan siaran.
Jika Anda membutuhkan transkripsi langsung di Windows sekarang, ekstensi Chrome atau Edge, plugin OBS, dan Dashboard di browser semuanya berfungsi di sana.
Siaran adalah cara orang lain mengikuti transkripsi langsung. Itu satu tautan dan satu kode QR. Pendengar membukanya di browser, memilih bahasa, dan membaca. Mereka tidak memerlukan akun, tidak memasang apa pun, dan tidak membayar apa pun: tagihan tidak berubah menurut jumlah pendengar atau bahasa.
Siaran bersifat publik secara default dan dapat dilindungi dengan kata sandi. Jika Anda mengganti nama tautannya, tautan lama tetap berfungsi, sehingga kode QR yang dicetak di buku acara tidak menjadi usang. Satu siaran dapat membawa beberapa transkripsi langsung, sehingga dua panggung dapat berbagi satu tautan.
Pendengar yang datang terlambat melihat semua yang diucapkan sebelum ia masuk, lalu mengikuti secara langsung. Sesudahnya, tampilan Audience menunjukkan siapa yang mendengarkan, dalam bahasa apa, dan kapan mereka bergabung.
Untuk acara, daftar periksa konferensi multibahasa membahas audio, panggung, dan anggaran, dan transkripsi langsung untuk gereja, ruang kuliah, dan ruang sidang dewan membahas versi mingguan dari pengaturan yang sama.
Semua yang di atas dapat dilakukan dari kode. Untuk audio langsung di aplikasi Anda sendiri, API punya sesi realtime: server Anda melakukan satu panggilan ke POST /v1/realtime/sessions dengan kunci API dan mendapat streamUrl berumur pendek. Klien Anda membuka WebSocket ke sana, mengirim audio mentah saat direkam, dan membaca transkrip kembali sebagai frame JSON.
Frame mengikuti dua tahap yang sama yang dilihat pembaca. transcript.draft menggantikan ekor yang sedang berlangsung, transcript.committed menambahkan baris final, dan dengan terjemahan menyala, seluruh kalimat tiba dengan terjemahannya terlampir. Bahasa tujuan, label pembicara, dan mode latensi dapat diubah di tengah sesi dengan session.update.
Sesi realtime tidak menyimpan apa pun. Jika Anda ingin kata-kata disimpan, dikoreksi, dan dibagikan kepada hadirin, Anda mempublikasikan audio ke transkripsi langsung dan siaran sebagai gantinya. SDK resmi untuk TypeScript, Python, dan PHP membungkus keduanya, dan server MCP memungkinkan asisten AI memakai akun yang sama.
Tutorial WebSocket membangun tampilan teks yang berfungsi langkah demi langkah, dan referensi API memuat setiap bidang. Pemakaian API ditagih dengan tarif yang sama dengan Dashboard.
Akurasi ditentukan terutama sebelum pengenal apa pun berjalan, oleh audio yang diberikan kepadanya. Empat hal paling berpengaruh.
Mikrofon. Mikrofon yang dekat dengan pembicara, atau umpan dari mixer tempat acara, membawa suara dengan sedikit suasana ruangan. Ponsel di meja mendengar pembicara ditambah gema, kursi, dan batuk. Ini faktor tunggal terbesar, dan mengapa ponsel tidak cukup untuk sebuah ruangan menjelaskan alasannya.
Kebisingan dan tumpang tindih. Kebisingan latar menyebabkan kata terlewat dan kata karangan, dan dua orang berbicara bersamaan membingungkan baik kata maupun siapa yang mengatakannya. Kesalahan transkripsi audio mendaftar tujuh penyebab umum, seperti apa tampaknya, dan cara memperbaikinya.
Reference Script. Nama dan istilah yang terkenal dikenali apa adanya. Nama produk perusahaan, akronim internal, atau nama keluarga tamu yang tidak lazim tidak mungkin diketahui sebelumnya, jadi tambahkan skrip atau slide sebelum mulai, dan nama serta istilah di dalamnya ditulis persis seperti ejaan Anda.
Label pembicara. Label dapat Off, On, atau When Needed, yang menyalakannya begitu pembicara kedua terdengar. Diarisasi pembicara vs pengenalan ucapan menjelaskan bagaimana kedua jawaban itu, apa yang dikatakan dan siapa yang mengatakannya, terpisah dan diperbaiki secara terpisah.
Mode latensi juga berpengaruh: Fast mengeluarkan teks lebih cepat tetapi merevisi lebih banyak, Accuracy menunggu sedikit lebih lama.
Satu angka akurasi menyampaikan lebih sedikit daripada kesannya. Word error rate menghitung nama yang salah sama dengan satu "the" yang terlewat, itulah sebabnya apa yang diukur word error rate, dan apa yang terlewatkannya menganjurkan menilai sistem dari kesalahan mana yang bisa Anda tangkap dan perbaiki.
Tidak ada transkrip langsung yang sempurna, jadi layar penyelenggara punya tab Fix. Tab itu dapat menandai kata yang diragukan pengenal, dan baris mana pun dapat dibuka lalu dikoreksi. Orang kedua di meja dapat menggarapnya sementara pembicara melanjutkan.
Ketika penyelenggara menulis ulang sebuah kata atau baris, bahkan yang masih diucapkan, setiap pendengar melihat koreksinya, dalam setiap bahasa. Baris yang terdengar dengan keyakinan terlalu rendah disembunyikan dari pendengar sebagai "Audio unclear" alih-alih ditampilkan salah; penyelenggara tetap melihatnya.
Rekaman disimpan bersama transkrip, koreksi, dan terjemahannya. Sesudahnya Anda dapat:
Berapa lama audio dan transkrip disimpan bergantung pada paket, dan halaman harga mencantumkannya.
Kebanyakan alat transkripsi langsung tampak mirip dalam demo; perbedaannya terlihat pada pertanyaan di bawah. Kolom kanan menjelaskan VocalStack seperti saat ini.
| Pertanyaan | Mengapa penting | VocalStack |
|---|---|---|
| Bahasa apa yang bisa didengarnya? | Alat yang tidak bisa mentranskripsi bahasa pembicara tidak berguna, sebagus apa pun terjemahannya. | 100 bahasa, terdeteksi otomatis, dengan pergantian di tengah ucapan |
| Seberapa tertinggal teks dari pembicara? | Pembaca lebih memperhatikan jarak yang makin melebar daripada sesekali kata yang salah. | Teks asli sepersekian detik di belakang, terjemahan satu atau dua detik kemudian; tiga mode latensi |
| Apakah menerjemahkan, dan siapa yang memilih bahasa? | Satu bahasa subtitle di satu layar meninggalkan semua orang lain. | Hingga 10 bahasa per transkripsi, setiap pendengar memilih bahasanya |
| Bisakah ia mengucapkan terjemahannya? | Sebagian pendengar tidak bisa membaca, atau lebih suka tidak membaca. | Suara bawaan secara default; suara klon pembicara sendiri dengan persetujuannya |
| Bagaimana hadirin mendapatkannya? | Aplikasi dan akun membuat orang pergi di depan pintu. | Satu tautan dan kode QR, tanpa akun, kata sandi opsional |
| Bisakah memperbaiki kesalahan secara langsung? | Nama yang salah dengar dan diulang selama satu jam menimbulkan kerugian nyata. | Koreksi langsung yang dikirim ke setiap pendengar |
| Dari mana audio bisa berasal? | Pengaturan Anda tidak boleh harus berubah demi alat itu. | Mikrofon, ekstensi browser, aplikasi desktop, OBS, RTMP, tautan stream |
| Apakah ada API? | Anda mungkin menginginkan teks di dalam produk Anda sendiri. | API REST dan WebSocket, SDK, server MCP, tarif sama dengan Dashboard |
| Bagaimana penetapan harganya? | Harga per pendengar atau per kursi naik seiring hadirin. | Per detik audio; pendengar dan bahasa gratis |
Di VocalStack Anda membayar per detik audio yang ditranskripsi. Saat artikel ini ditulis, transkripsi langsung berbiaya $0.60 per jam dan file $0.20 per jam, di setiap paket, di Dashboard maupun lewat API. Terjemahan, suara, ringkasan, siaran, dan pendengar tidak pernah menambah tagihan, sehingga ceramah satu jam yang dibaca 200 orang dalam lima bahasa berbiaya sama $0.60 dengan yang dibaca tidak seorang pun.
Paket-paketnya berbeda dalam beberapa hal:
Jika tidak ada yang perlu membaca saat itu juga, unggah rekamannya setelahnya dengan tarif file. Harga, masa simpan, dan batas terkini untuk setiap paket ada di halaman harga.
Akun VocalStack baru mendapat kredit pendaftaran $5 dan tidak memerlukan kartu. Dengan $0.60 per jam, itu sekitar delapan jam transkripsi langsung, termasuk terjemahan dan siaran. Setelah itu Anda membayar per detik. Pendengar selalu gratis.
Bisa. Transkripsi langsung dapat diterjemahkan ke hingga 10 bahasa sekaligus saat orang itu berbicara. Terjemahan muncul satu atau dua detik setelah teks asli, dan setiap pendengar memilih bahasanya sendiri.
Tergantung terutama pada audionya. Mikrofon yang dekat atau umpan dari mixer, sedikit kebisingan latar, satu orang berbicara pada satu waktu, dan reference script berisi nama-nama memberikan hasil terbaik. Koreksi langsung memungkinkan penyelenggara memperbaiki yang masih salah selagi acara berlangsung.
Teks bahasa asli tertinggal dari pembicara sepersekian detik, dan terjemahan menyusul satu atau dua detik kemudian. Stream publik menambahkan jedanya sendiri sebelum audio sampai ke VocalStack.
Bisa, lewat ekstensi Chrome atau Edge, plugin OBS Studio, atau Dashboard di browser. Aplikasi desktop saat ini ada di macOS, dengan Windows segera hadir.
Tidak. Pendengar membuka tautan siaran atau memindai kode QR-nya di browser, memilih bahasa, dan membaca. Tidak ada yang perlu dipasang.
Buka Dashboard, mulai transkripsi langsung dari mikrofon Anda, dan buka tautan siarannya di ponsel. Kredit pendaftaran mencakup jam-jam pertama Anda, dan Anda dapat melihat sendiri draf mengendap dan terjemahan menyusul.