Umritun og þýðing í rauntíma útskýrð: hvernig tal í texta í beinni virkar, hversu langt á eftir það er, hvað ræður nákvæmni og hvað það kostar.
Rauntímaumritun breytir tali í texta meðan manneskjan er enn að tala. Orðin birtast á skjánum augnabliki eftir að þau eru sögð, setjast í endanlegar línur og hver sem er getur lesið þau með. Bættu við rauntímaþýðingu og hver lesandi getur fylgst með sama tali á sínu eigin tungumáli, sem texta eða lesið upphátt.
Þessi leiðarvísir fjallar um umritun og þýðingu í rauntíma frá báðum hliðum: hvað hlustandinn sér, hvaðan hljóðið getur komið, hvað ræður nákvæmni, hvað forritarar fá úr API og hvað það kostar.
Rauntímaumritun, einnig kölluð umritun í beinni eða tal í texta í beinni, er talgreining sem keyrir meðan hljóðið er enn að berast. Upptekna skrá er hægt að umrita með alla upptökuna í höndunum. Umritun í beinni þarf að skuldbinda sig til orða með aðeins síðustu sekúndurnar til að styðjast við, og halda í við ræðumanninn svo lengi sem hann talar.
Textar í beinni eru það sama sýnt sem stuttar línur yfir myndbandi eða á skjá.
Hjá VocalStack getur umritun í beinni hlustað á 100 tungumál. Hún greinir talað tungumál sjálf og fylgir ræðumanninum ef hann skiptir um, sem hvernig sjálfvirk tungumálagreining virkar útskýrir, ásamt því hvenær á að nefna tungumálið fyrirfram.
Textinn berst í tveimur áföngum. Nýjustu orðin birtast fyrst sem drög, sem geta enn breyst þegar meira hljóð berst. Augnabliki síðar setjast drögin í endanlega línu sem breytist ekki aftur.
Drögin eru til því greinirinn ákveður orð að hluta eftir því sem á eftir því kemur. „Ice cream“ og „I scream“ hljóma eins þar til næsta orð berst. Að sýna ágiskunina snemma er það sem lætur uppskrift finnast lifandi.
Hversu langt á eftir ræðumanninum textinn er fer eftir áfanganum:
Tvær tafir liggja utan þessarar keðju. Þegar uppsprettan er opinbert streymi frekar en hljóðnemi er streymið sjálft þegar á eftir lifandi brún sinni: sekúnda eða þrjár fyrir venjulegt netútvarpsstreymi, og allt frá nokkrum sekúndum upp í hálfa mínútu fyrir HLS. Og í Greitt eftir notkun getur umritun í beinni tekið allt að 15 sekúndur að fara í gang. Fullri sundurliðun, þar á meðal töfarstillingunum Auto, Fast og Accuracy, er að finna í töf í þýðingu í beinni, útskýrð.
Þýðing keyrir ofan á uppskriftinni. Umritun í beinni má þýða á allt að 10 tungumál í einu, valin úr 100. Hver hlustandi velur eitt þeirra á sínu eigin tæki og getur breytt því hvenær sem er; uppskriftin til þessa birtist aftur á nýja tungumálinu.
Hvert tungumál er þýtt úr sömu uppskriftinni, svo hver hlustandi fær sömu orðin, og leiðrétting nær til þeirra allra.
Hlustandi sem vill heldur hlusta en lesa getur látið lesa hverja þýdda línu upphátt. Sjálfgefið fær hver mælandi sérstaka sjálfgefna rödd sem passar við kyn hans, svo pallborð hljómar enn eins og nokkrar manneskjur. Með samþykki mælanda getur stjórnandi klónað rödd hans úr um 30 sekúndum af því að hann talar einn, og þýðingin er þá lesin með hans eigin rödd.
Reglan um raddir er viljandi þröng. Rödd les aðeins það sem sama manneskja sagði, þýtt á tungumál sem hlustandinn valdi. Hún les aldrei texta sem einhver slær inn og les aldrei orð eins mælanda með rödd annars.
Hvernig þetta virkar fyrir heilan sal, frá uppsetningu stjórnanda til hlustanda sem kemur seint, er í einum hlekk, öll tungumál.
Umritun í beinni þarf hljóðuppsprettu. Þetta eru þær sem VocalStack tekur við í dag:
Textar í spilara YouTube sjálfs, í gegnum CC-hnappinn, eru væntanlegir. Þangað til fylgjast áhorfendur YouTube-streymis með textum á hlekk útsendingarinnar.
Ef þú þarft umritun í beinni á Windows í dag virka Chrome- eða Edge-viðbótin, OBS-viðbótin og stjórnborðið í vafra þar.
Útsending er leiðin sem aðrir fylgjast með umritun í beinni. Hún er einn hlekkur og QR-kóði. Hlustendur opna hana í vafra, velja tungumál og lesa. Þeir þurfa engan reikning, setja ekkert upp og kosta ekkert: reikningurinn breytist ekki með fjölda hlustenda eða tungumála.
Útsending er opinber sjálfgefið og má verja með lykilorði. Ef þú gefur hlekknum hennar nýtt nafn heldur sá gamli áfram að virka, svo QR-kóði sem er prentaður á dagskrá úreldist ekki. Ein útsending getur borið nokkrar umritanir í beinni, svo tvö svið geta deilt einum hlekk.
Hlustandi sem kemur seint sér allt sem var sagt áður en hann kom og fylgist svo með í beinni. Eftir á sýnir Audience-yfirlitið hver hlustaði, á hvaða tungumáli og hvenær hann kom inn.
Fyrir viðburði fjallar gátlisti fyrir fjöltyngda ráðstefnu um hljóð, svið og kostnaðaráætlun, og umritun í beinni fyrir kirkjur, fyrirlestrasali og fundarsali fjallar um vikulegu útgáfu sömu uppsetningar.
Allt ofangreint er hægt að gera úr kóða. Fyrir hljóð í beinni í þínu eigin forriti hefur API rauntímalotur: þjónninn þinn gerir eitt kall á POST /v1/realtime/sessions með API-lykli og fær til baka skammlífan streamUrl. Biðlarinn þinn opnar WebSocket að honum, sendir hrátt hljóð um leið og það er tekið upp og les uppskriftina til baka sem JSON-ramma.
Rammarnir fylgja sömu tveimur áföngum og lesandinn sér. transcript.draft kemur í stað lifandi halans, transcript.committed bætir við endanlegri línu, og með þýðingu berast heilar setningar með þýðingum sínum áföstum. Markmál, merkingar mælenda og töfarstillingu er hægt að breyta í miðri lotu með session.update.
Rauntímalota geymir ekkert. Þegar þú vilt að orðin séu geymd, leiðrétt og deilt með áhorfendum birtir þú í staðinn hljóðið í umritun í beinni og útsendingu. Opinber SDK fyrir TypeScript, Python og PHP vefja hvort tveggja, og MCP-þjónn lætur gervigreindaraðstoðarmann nota sama reikning.
WebSocket-kennslan byggir skref fyrir skref virka textasýn, og API-handbókin hefur hvern reit. API-notkun er innheimt á sama taxta og stjórnborðið.
Nákvæmni ræðst aðallega áður en nokkur greinir keyrir, af hljóðinu sem hann fær. Fjögur atriði skipta mestu.
Hljóðneminn. Hljóðnemi nálægt ræðumanni, eða straumur af hljóðborði staðarins, ber röddina með litlu af salnum í sér. Sími á borði heyrir ræðumanninn auk bergmáls, stóla og hósta. Þetta er stærsti einstaki þátturinn og hvers vegna sími dugar ekki fyrir sal útskýrir hvers vegna.
Hávaði og skörun. Bakgrunnshávaði veldur orðum sem falla út og orðum sem eru fundin upp, og tveir sem tala í einu rugla bæði orðunum og því hver sagði þau. Villur í hljóðumritun telur upp sjö algengar orsakir, hvernig hver lítur út og hvernig á að laga hana.
Tilvísunarhandrit. Þekkt nöfn og hugtök eru þekkt eins og þau eru. Vöruheiti fyrirtækis, innanhússskammstöfun eða óvenjulegt ættarnafn gests er ekki hægt að vita fyrirfram, svo bættu við handriti eða glærum áður en þú byrjar, og nöfnin og hugtökin í þeim eru rituð nákvæmlega eins og þú stafsettir þau.
Merkingar mælenda. Merkingar geta verið Off, On eða When Needed, sem kveikir á þeim þegar annar mælandi heyrist. Raddgreining mælenda og talgreining útskýrir hvernig svörin tvö, hvað var sagt og hver sagði það, eru aðskilin og lagfærð hvort í sínu lagi.
Töfarstillingin skiptir líka máli: Fast skilar texta fyrr en endurskoðar meira af honum, Accuracy bíður örlítið lengur.
Ein nákvæmnitala segir minna en virðist. Orðavilluhlutfall telur rangt nafn jafnt og vantandi „the“, og þess vegna mælir hvað orðavilluhlutfall mælir og hverju það sleppir með því að kerfi séu metin eftir því hvaða villur þau láta þig ná og laga.
Engin uppskrift í beinni er fullkomin, svo skjár stjórnandans hefur flipann Fix. Hann getur merkt orðin sem greinirinn var óviss um, og hægt er að opna hverja línu og leiðrétta. Önnur manneskja við borðið getur unnið sig í gegnum þau meðan ræðumaðurinn heldur áfram.
Þegar stjórnandinn endurskrifar orð eða línu, jafnvel línu sem er enn verið að segja, sér hver hlustandi leiðréttinguna, á hverju tungumáli. Lína sem heyrðist með of litlu öryggi er falin fyrir hlustendum sem „Audio unclear“ í stað þess að sýnast röng; stjórnandinn sér hana samt.
Upptakan er geymd með uppskrift sinni, leiðréttingum og þýðingum. Eftir á getur þú:
Hversu lengi hljóð og uppskriftir eru geymd fer eftir áskrift, og verðsíðan telur það upp.
Flest umritunartól í beinni líta eins út í kynningu; munurinn kemur fram í spurningunum hér að neðan. Hægri dálkurinn lýsir VocalStack eins og það er í dag.
| Spurning | Hvers vegna það skiptir máli | VocalStack |
|---|---|---|
| Hvaða tungumál getur það heyrt? | Tól sem getur ekki umritað tungumál ræðumannsins hjálpar ekki, sama hversu góð þýðingin er. | 100 tungumál, greind sjálfkrafa, með skiptum í miðju tali |
| Hversu langt á eftir ræðumanninum er textinn? | Lesendur taka frekar eftir vaxandi bili en stöku röngu orði. | Frumtexti brot úr sekúndu á eftir, þýðing sekúndu eða tveimur síðar; þrjár töfarstillingar |
| Þýðir það og hver velur tungumálið? | Eitt textatungumál á einum skjá skilur alla aðra útundan. | Allt að 10 tungumál á umritun, hver hlustandi velur sitt |
| Getur það talað þýðinguna? | Sumir hlustendur geta ekki lesið með eða kjósa að gera það ekki. | Sjálfgefnar raddir; klónuð rödd mælanda sjálfs með samþykki hans |
| Hvernig fær áhorfendahópurinn þetta? | Forrit og reikningar missa fólk við dyrnar. | Einn hlekkur og QR-kóði, enginn reikningur, valfrjálst lykilorð |
| Er hægt að laga mistök í beinni? | Rangheyrt nafn endurtekið í klukkutíma gerir raunverulegan skaða. | Leiðréttingar í beinni sendar til hvers hlustanda |
| Hvaðan getur hljóðið komið? | Uppsetning þín ætti ekki að þurfa að breytast til að passa tólinu. | Hljóðnemi, vafraviðbætur, skjáborðsforrit, OBS, RTMP, streymishlekkir |
| Er til API? | Þú vilt kannski texta inni í þinni eigin vöru. | REST- og WebSocket-API, SDK, MCP-þjónn, sami taxti og stjórnborðið |
| Hvernig er verðlagt? | Verð á hlustanda eða sæti vex með áhorfendahópnum. | Á sekúndu af hljóði; hlustendur og tungumál ókeypis |
Hjá VocalStack borgar þú á sekúndu af umrituðu hljóði. Þegar þetta er skrifað kostar umritun í beinni $0.60 á klukkustund og skrár kosta $0.20 á klukkustund, í öllum áskriftum, jafnt í stjórnborðinu og í gegnum API. Þýðing, raddir, samantektir, útsending og hlustendur bæta aldrei við reikninginn, svo klukkustundarlangt erindi sem 200 manns lesa á fimm tungumálum kostar sömu $0.60 og eitt sem enginn les.
Áskriftirnar eru ólíkar í nokkrum atriðum:
Ef enginn þarf að lesa með um leið og það gerist skaltu hlaða upptökunni upp á eftir á skráartaxtanum. Núgildandi verð, geymslutími og takmörk hverrar áskriftar eru á verðsíðunni.
Nýr VocalStack-reikningur fylgir með $5 nýskráningarinneign og krefst ekki greiðslukorts. Á $0.60 á klukkustund eru það um átta klukkustundir af umritun í beinni, með þýðingu og útsendingu innifalið. Eftir það borgar þú á sekúndu. Hlustendur eru alltaf ókeypis.
Já. Umritun í beinni má þýða á allt að 10 tungumál í einu meðan manneskjan talar. Þýðingin birtist sekúndu eða tveimur eftir frumtextanum og hver hlustandi velur sitt tungumál.
Það fer mest eftir hljóðinu. Nálægur hljóðnemi eða straumur af borði, lítill bakgrunnshávaði, einn að tala í einu og tilvísunarhandrit með nöfnunum gefa bestu niðurstöður. Leiðréttingar í beinni leyfa stjórnanda að laga það sem er enn rangt meðan erindið heldur áfram.
Texti á frummálinu er brot úr sekúndu á eftir ræðumanninum og þýðingar fylgja sekúndu eða tveimur síðar. Opinbert streymi bætir við sinni eigin töf áður en hljóðið nær til VocalStack.
Já, í gegnum Chrome- eða Edge-viðbótina, OBS Studio viðbótina eða stjórnborðið í vafra. Skjáborðsforritið er á macOS í dag og Windows kemur bráðlega.
Nei. Hlustendur opna hlekk útsendingarinnar eða skanna QR-kóða hennar í vafra, velja tungumál og lesa. Ekkert þarf að setja upp.
Opnaðu stjórnborðið, byrjaðu umritun í beinni úr hljóðnemanum þínum og opnaðu hlekk útsendingarinnar í símanum þínum. Nýskráningarinneignin dekkar fyrstu klukkustundirnar þínar og þú getur séð sjálfur drögin setjast og þýðinguna fylgja á eftir.