Fjöltyngdur salur þarf ekki bás fyrir hvert tungumál. Hann þarf eitt hreint hljóð frá borðinu, einn tengil sem áheyrendur opna í eigin símum og leið til að laga rangheyrt nafn meðan erindið stendur enn yfir.
Erindi, guðsþjónusta, fyrirlestur eða fundur bæjarstjórnar hefur einn ræðumann og hlustendur sem ekki allir hugsa á því tungumáli. Venjulegu svörin eru dýr, ófullkomin eða einkamál.
Dýrasta svarið er túlkur fyrir hvert tungumál. Jafnvel þótt einn sé fyrir hvert mál þarf bás, heyrnartól og sérfræðing fyrir hvert tungumál í salnum, og sérfræðingarnir segja ekki alltaf sama hlutinn. Hver túlkur tekur sínar eigin ákvarðanir undir tímapressu: hvaða orð á að nota um hugtak, hverju á að sleppa og hverju á að þjappa saman þegar ræðumaðurinn talar hraðar. Í venjulegu erindi skipta þessi munur litlu. Á réttarhaldi, í atkvæðagreiðslu bæjarstjórnar eða í tæknilegri kynningu skipta þeir miklu: skilgreint hugtak, skammtur eða lagagrein getur haft eina merkingu fyrir franskmælandi hlustendur og aðra fyrir arabískumælandi, og enginn í salnum er í aðstöðu til að taka eftir því. Hálflausnin er textastraumur á einum skjá, á aðeins einu öðru tungumáli. Einkalausnin er að fimmtíu símar séu lyftir upp að salnum: fimmtíu lítið rangir textar, þar sem hver sími heyrir bergmálið og hóstann jafn skýrt og ræðumanninn.
Valkosturinn er að umrita ræðumanninn einu sinni, af hreinum hljóðgjafa, og þýða þann eina texta yfir á það sem hlustendurnir þurfa. Þannig byrja öll tungumál með sömu orðin og hver hlustandi velur sér á eigin tæki. Upptakan er vistuð þegar viðburðinum lýkur. Hér kemur fram hvernig gestgjafinn og hlustandinn setja þetta upp og hvað það kostar.
Umritun í beinni getur hlustað á hljóðnema á hvaða tæki sem er, RTMP-straum frá OBS eða öðrum kóðara sem tekur við slóð þjóns og straumlykli, YouTube-útsendingu, netútvarpsstöð eða hvaða slóð sem þjónar straumi. Fyrir straum sækir VocalStack hljóðið sjálfur; ekkert þarf að keyra hjá þér.
Uppspretta skiptir meira máli en nokkur stilling. Herbergishljóðnemi, eða sími á borði, heyrir ræðumanninn ásamt salnum: bergmál af veggjum, stólum og áheyrendum. Talgreining versnar hratt eftir því sem röddin verður hljóðlátari miðað við þennan hávaða, og þess vegna eru símarnir fimmtíu ósammála hver öðrum. Hljóð af hljóðborðinu ber hljóðnema ræðumannsins sjálfs með litlu af salnum í sér, svo uppskriftin fylgir ræðumanninum en ekki salnum. Ef staðurinn er með hljóðborð, taktu hljóðið þaðan.
Talað tungumál greinist sjálfkrafa og ræðumaðurinn má skipta um mál hvenær sem er. Ef þú nefnir málið fyrirfram hjálpar það á hávaðasömum upptökum og við sterkan hreim. Greiningu á mælendum má hafa af, á eða When Needed, sem kveikir á henni um leið og annar mælandi heyrist. Þegar hljóðið er farið að berast þurfa áheyrendurnir að geta fundið það.
Útsending er tengillinn: ein vefslóð og QR-kóði sem hlustendur skanna til að opna þýðinguna í beinni og velja sitt tungumál. Slóðin er búin til út frá nafninu sem þú gefur útsendingunni. Endurnefndu hana síðar og gamla slóðin virkar áfram, svo QR-kóði prentaður á dagskrá verður ekki úreltur.
Útsending er opin sjálfgefið: hver sem hefur tengilinn getur opnað hana. Gerðu hana einkamál og settu lykilorð, og hlustendur eru beðnir um það áður en uppskriftin birtist.
Ein útsending getur fengið hljóð frá nokkrum umritunum í beinni, svo ráðstefna með tveimur sviðum deilir einum tengli. Tengillinn fær fólk inn; það sem heldur því þar er að nöfnin séu rétt.
Talgreinar eru þjálfaðar á því hvernig fólk talar venjulega, svo þegar hljóð er óljóst grípa þær til algengara orðs. Vöruheiti, eftirnafn, þorp eða efnaheiti á sér hvert nær-samhljóða orð sem er algengara, og það er það sem kemur út nema greinirinn sé látinn vita að sjaldgæfa orðið sé á leiðinni. Til þess er handrit. Bættu við handriti eða glærum áður en þú byrjar, og nöfnin og hugtökin í þeim vinna fram yfir það sem heyrðist vitlaust. Þessi nöfn og hugtök eru þar sem greiningin fellur yfirleitt á sérhæfðum erindum. Meðan á upptöku stendur fylgir flipinn Script eftir eins og teleprompter og lýsir upp orðin sem hafa verið sögð hingað til.
Þetta er öll uppsetningin. Hinum megin við tengilinn er enn minna að gera.
Hlustandi þarf tengil eða QR-kóða og síma. Hann opnar tengilinn í vafra og sér The broadcast hasn't started yet þangað til gestgjafinn ýtir á upptöku, og síðan Live. The first line appears in a moment. Hann velur úr þeim tungumálum sem gestgjafinn valdi (allt að 10 fyrir hverja umritun, af 100 í boði) og les uppskriftina þegar ræðumaðurinn talar. Gestgjafinn heldur áfram að tala á sínu eigin máli. Hlustandi getur skipt um mál hvenær sem er; það sem komið er af uppskriftinni birtist aftur á nýja málinu.
Ef hlustandi vill frekar hlusta er hver þýdd lína lesin upphátt. Sjálfgefið fær hver mælandi aðskilda tilbúna rödd af samsvarandi kyni, þannig að pallborð hljómar enn eins og pallborð.
Stigin þrjú fara í röð og bíður hvert eftir því á undan. Talgreining þarf smá tíma af tali áður en hún getur staðfest orðin, þannig að uppskriftin er brot úr sekúndu á eftir ræðumanninum. Þýðing þarf heila setningu, því orðaröð er ólík milli tungumála og endir setningar getur breytt upphafinu, þannig að hún fylgir einni eða tveimur sekúndum síðar. Tal þarf þýddu setninguna áður en það getur byrjað, þannig að talaða línan kemur síðust. Ekkert af þessu er galli sem á að laga; þetta er það sem hvert kerfi sem gerir þessi þrjú verk þarf að gera, þar með talinn mannlegur túlkur, sem bíður líka eftir sögninni.
Með leyfi ræðumannsins getur gestgjafinn klónað rödd hans úr þrjátíu sekúndum af viðkomandi einum að tala (MP3, M4A eða WAV; nokkrar mínútur eru betri). Þýðingin er þá lesin upp í rödd ræðumannsins á öllum tungumálum. Meðhöndlaðu rödd eins og þær lífkennaupplýsingar sem hún er. Samkvæmt GDPR falla raddgögn sem unnin eru til að þekkja einstakling almennt undir sérflokka 9. gr., og sum Bandaríkjaríki, þar á meðal Illinois, setja sérstakar reglur um raddför. Fáðu skýrt samþykki ræðumannsins áður en sýnið er tekið upp, ekki eftir á; röddinni má eyða hvenær sem er. Klónun skráir ræðumanninn líka, þannig að hann er merktur með nafni í framtíðarupptökum. Gestgjafi getur úthlutað rödd á hvern mælanda eða þaggað í einum.
Hlustandi sem kemur seint sér allt sem sagt var áður en hann kom og fylgir síðan í beinni. Ef tengingin rofnar bætir síðan sig sjálf þegar tengingin kemst aftur á. Þegar gestgjafinn gerir hlé sjá hlustendur Paused. The transcript continues when the host resumes. Þegar gestgjafinn hættir sýnir síðan dagsetningu og lengd upptökunnar, og útsendingin sýnir fyrri upptökur til endurspilunar.
Hlustandi getur aðeins lesið það sem vélin heyrði, og talgreining í beinni tekur sumt af því vitlaust.
Gestgjafaskjárinn er með flipann Fix fyrir einmitt þetta. Mark uncertain words litar og undirstrikar orðin sem vélin var óviss um; Click to correct opnar línu til yfirferðar. Flipinn fer yfir óvissa kafla einn í einu, svo önnur manneskja við borðið getur unnið í þeim meðan ræðumaðurinn heldur áfram.
Þegar gestgjafi endurskrifar orð eða línu, jafnvel línu sem er enn verið að tala, sér hver hlustandi leiðréttinguna. Lína sem hefur of litla vissu er falin hlustendum sem Audio unclear frekar en að vera sýnd röng; gestgjafinn sér samt hvert einasta orð. Autt bil er þekkt gat; öruggt rangt orð er kjaftasaga.
Þessar leiðréttingar hverfa ekki þegar erindinu lýkur.
Allt er geymt. Upptakan, uppskriftin með leiðréttingum og þýðingum, og hljóðið lendir í safninu hjá gestgjafanum. Endurspilun spilar það aftur nákvæmlega eins og það barst, línu fyrir línu, með hljóðinu. Þegar orðin eru endanleg eru titill og samantekt skrifuð á öllum tungumálum, og flipana Summary og Export á gestgjafaskjánum flytja þau beint út úr viðburðinum.
Útflutningur er SRT-textar, PDF, Excel eða JSON, með leiðréttingum og þýðingum, og hljóðið sækist sem MP3. Hægt er að leita í hverri uppskrift á hvaða tungumáli sem er.
Áhorfendaskjárinn Audience sýnir hver hlustaði, á hvaða tungumáli og hvenær viðkomandi kom inn: oft fyrsta raunverulega talning sem skipuleggjandi fær á því hver þurfti hvaða tungumál. Þangað til var vanalega áætlunin sú hver rétti upp hönd þegar spurt var á ensku hvort þurfi þýðingu. Auðkenni hlustenda eru eydd með upptökunni.
Talgreining, greining á mælendum og raddsmíð keyra á þjónum sem við rekum, og hljóðið þitt er ekki sent til þriðja aðila til vinnslu. Við notum ekki hljóðið, uppskriftirnar eða raddirnar þínar til að þjálfa líkön.
Varðveislan fylgir áskriftarleiðinni: í Greitt eftir notkun eru upprunalegt hljóð og raddir geymd í 7 daga og uppskriftir í 30 daga; Premium og Enterprise geyma þau meðan aðgangurinn er til. Hitt sem áskriftarleiðin ákveður er reikningurinn.
Tvær tölur skipta máli. Í Greitt eftir notkun og Premium kostar umritun í beinni $0.60 á klukkustund af hljóði, innheimt á sekúndu með 5 mínútna lágmarki fyrir hverja umritun, bæði í stjórnborðinu og í gegnum API-ið. Enterprise hefur magnverð. Hlustendur og tungumál eru ókeypis: klukkustundar viðburður þýddur á fimm tungumál fyrir tvö hundruð manns kostar $0.60. Skrár eru ódýrari ($0.20 á klukkustund) því umritun í beinni keyrir í rauntíma allan viðburðinn. Áskriftarleiðir eru mismunandi í samhliða keyrslum, hámarkslengd upptöku og ræsingarhraða; í Greitt eftir notkun getur kaldræsing tekið allt að 15 sekúndur, svo ýttu á upptöku aðeins áður en ræðumaðurinn byrjar, um það bil einni setningu („Sjá allir aftast í salnum?“) á undan. Alla verðskrána má finna á verðsíðunni.
Forsíðan er með tveggja síma sýnikennslu, og nýr aðgangur í stjórnborðinu fylgir með $5 nýskráningarinneign og þarf ekki kreditkort. Á verði í beinni nægir sú inneign fyrir meira en átta klukkustundir af útsendingu.
Ertu að velja á milli þessa og þýðingar í beinni sem er innbyggð í síma allra? Lestu hvers vegna sími dugar ekki fyrir sal. Fyrir heilan viðburð nær gátlistinn fyrir fjöltyngdar ráðstefnur yfir hljóðleiðina, nokkur stig á sama tengli og fjárhagsáætlunina. Forritarar geta gert allt þetta úr kóða í gegnum API-tilvísunina, á sama verði.
