Nákvæmni þýðingar í beinni ræðst að mestu áður en líkan er keyrt, af því hvar hljóðneminn er. Taktu hljóðið af hljóðborðinu, ekki af sæti í röð tólf, umritaðu það einu sinni, og þá verður villa að einni línu sem einhver getur lagfært fyrir alla.
Innbyggðu þýðingaforritin í símum eru raunverulegt afrek. Þau keyra oft talgreiningarlíkan nógu lítið til að passa í tækið og rafhlöðuna (sum senda hljóðið á netþjón ef tenging er til staðar), og fyrir stuttar, skýrar, hversdagslegar setningar standa þau sig: að spyrja til vegar, lesa matseðil, samtal við afgreiðsluborð.
Herbergi fullt af fólki sem hlustar á einn ræðumann er annað vandamál. Það sem fer úrskeiðis í raunverulegu tali er einmitt það sem lítið líkan ræður verst við: óalgeng orð og nöfn, orð sem hljóma eins („their“ og „there“, „sail“ og „sale“), tæknileg hugtök, hreimur, fólk sem talar hvert ofan í annað og bakgrunnshljóð. Í siglingaklúbbi gerir líkan sem heyrir „sale“ skynsamlega ágiskun, en hún er öruggt mistök.
Tvennt veldur því að lítið líkan giskar meira en stórt. Það hefur verið þjappað saman til að passa í símann, þannig að það þekkir færri orð og færri leiðir til að segja þau; það nálgar eftirnafn sem það hefur ekki séð áður út frá hljóðinu einu saman. Og greining í rauntíma þarf að velja orð áður en restin af setningunni berst, þannig að líkanið getur ekki notað það sem myndi skera úr um „sail“ og „sale“: orðin sem koma á eftir, eða handrit sem segir til um efni erindisins. Í talgreiningu snýst samhengi einmitt um þessi tvö atriði: umhverfisorðin og það sem er vitað fyrirfram.
Þegar líkanið er ekki viss, giskar það. Þýðingin er þá byggð á ágiskuninni og lesandinn hefur enga leið til að vita það. Enginn í salnum sér að lína var röng, hvað þá að lagfæra hana. Og salurinn er ekki einn hlustandi heldur fimmtíu.
Sími heyrir salinn, ekki ræðumanninn. Fjarlægðin skiptir máli: hnappahljóðnemi eða borðhljóðnemi situr nokkra sentímetra frá munninum, en sími í röð tólf er tíu metra í burtu eða meira, og mest af því sem berst að honum hefur fyrst kastast af veggjum, lofti og bakstoðum stólanna. Endurkastað hljóð berst seint og er orðið óskýrt. Þar að auki nemur síminn manneskju sem hóstar tveimur röðum aftar, suð í næsta manni og það sem hátalararnir gera við röddina á leið hennar yfir salinn. Hvert sæti fær því örlítið ólíka upptöku og því örlítið ólíka uppskrift.
Sími þýðir auk þess aðeins fyrir einn mann. Fimmtíu gestir sem halda upp fimmtíu símum framleiða fimmtíu óháðar uppskriftir af sama erindinu, með fimmtíu mismunandi villum. Tveir sem bera saman glósur á eftir verða ekki sammála um hvað var sagt. Ræðumaðurinn ávarpar á meðan vegg af uppréttum símum, sem er erfiður hópur að lesa í.
Fyrir suma í salnum er þetta meira en óþægindi; það ræður því hvort þeir geta yfirhöfuð fylgst með erindinu. Gestur með heyrnarskerðingu, eða sá sem fylgist með á þriðja tungumáli, þarf einn réttan sameiginlegan texta, ekki fimmtíu bestu tilraunir. Það þýðir að umrita ræðumanninn einu sinni og gefa öllum sömu niðurstöðuna. Það borgar sig aðeins ef það er gert vel, og það byrjar á því hvaðan hljóðið kemur.
Uppskriftin er aðeins eins góð og hljóðið sem hún er gerð úr. Fyrsta ákvörðunin er því ekki hvaða líkan á að nota heldur hvaða merki á að senda í það. Önnur er hvað á að segja líkaninu áður en það byrjar.
Umritun í beinni tekur hljóðið þaðan sem hreina merkið er þegar til staðar:
VocalStack sækir vefstraum sjálft, þannig að ekkert keyrir hjá þér. RTMP-straumur virkar öfugt: kóðarinn þinn sendir hann. Tungumál ræðumannsins greinist sjálfkrafa og hann getur skipt um tungumál hvenær sem er. Ef þú þekkir tungumálið og upptakan er hávær eða með þungum hreim, eykur það nákvæmnina að nefna það.
Hreint hljóð fjarlægir villurnar sem stafa af salnum. Það gerir ekkert fyrir villur sem stafa af orðaforða, og þær þurfa annars konar hjálp.
Sími veit ekki hver talar né um hvað erindið er, þannig að vöruheiti eða eftirnafn er bara annað hljóð sem þarf að nálgast. Útsending getur hins vegar fengið að vita fyrirfram hverju er að búast við.
Ef þú bætir handriti eða glærum við áður en þú byrjar, hafa nöfnin og hugtökin þar betur en það sem vélin heyrði skakkt. Á meðan upptöku stendur fylgir Script-flipinn ræðumanninum eins og teleprompter. Þetta er stærsta nákvæmnisaukningin fyrir þá tegund tals sem fyllir ráðstefnur og fyrirlestra: þétt af sérnöfnum og orðaforða sem almennt líkan hefur ekki heyrt nógu oft.
Gott hljóð og orðasafn fjarlægja flestar villurnar. Spurningin er hvað verður um þær villur sem eftir eru.
Jafnvel með góðu hljóði og handriti verða sumar línur rangar. Munurinn liggur í því sem gerist næst.
Í síma gerist ekkert. Ranga línan rennur burt og þýðingin sem byggð var á henni fer með.
Í útsendingu er línu sem er of óskýr til að sýna falin fyrir hlustendum sem „Audio unclear“, frekar en að hún sé sett fram sem staðreynd.
Síðan er gestgjafinn, sem hefur Fix-flipann: orðin sem vélin var óviss um geta verið lituð og undirstrikuð, smellur opnar línu til yfirferðar, og hvaða orð eða lína sem er má endurskrifa á meðan umritunin er enn í beinni. Hver hlustandi sér leiðréttinguna á sínu eigin tungumáli. Sérhver lagfæring er merkt og hægt er að afturkalla hana.
Málið er ekki að netþjónn geri aldrei mistök. Málið er að mistökin sjást, einhver í salnum ber ábyrgð á þeim og þau eru löguð einu sinni fyrir alla.
Leiðréttingar laga það sem hlustendur lesa. Þeir sem vilja frekar hlusta á erindið fá sama leiðrétta texta, talaðan.
Hlustandi sem vill frekar hlusta en lesa getur látið lesa upp hverja þýdda línu. Sjálfgefið fær hver ræðumaður aðskilda tilbúna rödd af samsvarandi kyni, þannig að pallborð hljómar enn eins og pallborð. Þú getur úthlutað rödd á hvern ræðumann, eða þaggað niður í einum.
Með leyfi ræðumannsins má ganga lengra og klóna rödd hans úr þrjátíu sekúndum af tali, hlaðið upp sem hljóðbút eða tekið beint af ræðumanni í upptöku; nokkrar mínútur gefa betri niðurstöðu. Þýðingin er þá lesin upp með rödd ræðumannsins sjálfs á öllum tungumálum. Ræðumaður með vistaða rödd getur líka verið greindur í síðari upptökum, þó að kerfið kjósi frekar að skilja mælanda eftir ónafngreindan en að nefna rangan mann.
Tvær reglur gilda, og þær eru vísvitandi. Klónuð rödd telst lífkennagögn: hún er aðeins búin til með skýru samþykki ræðumannsins og má eyða henni hvenær sem er. Og rödd talar aðeins umritun eða þýðingu hennar; ekki er hægt að láta hana segja eitthvað sem eigandinn sagði aldrei.
Allt sem hefur komið fram hingað til gerist meðan ræðumaðurinn talar. Síðasti munurinn kemur í ljós eftir að hann hættir.
Uppskriftirnar fimmtíu úr símunum hverfa þegar forritin lokast. Útsending geymir upptökuna í safninu þínu: hljóðið og uppskriftina með öllum leiðréttingum og þýðingum. Þar er hægt að spila hana aftur línu fyrir línu, leita í henni á hvaða tungumáli sem er og flytja hana út; Einn tengill, öll tungumál fer yfir það sem safnið gerir. Hlustendur kosta ekkert, sama hversu margir þeir eru. Þú borgar fyrir hljóðið sem er umritað, $0.60 á klukkustund í beinni, með 5 mínútna lágmarki fyrir hverja umritun, og verðsíðan sýnir verðskrána.
Sími í hverri hendi er samt ágætis varaleið fyrir samtal á ganginum. Fyrir herbergi sem þarf að skilja einn ræðumann saman ætti ræðumaðurinn að vera umritaður einu sinni, frá upprunanum, með einhverjum sem getur lagfært það sem fer úrskeiðis. Þú getur séð hvernig það lítur út í gagnvirku kynningunni á forsíðunni.
