Una sala multilingue non ha bisogno di una cabina per ogni lingua. Ha bisogno di un unico audio pulito dal banco di regia, di un link che il pubblico apre sui propri telefoni e di un modo per correggere un nome frainteso mentre il discorso è ancora in corso.
Un intervento, una funzione religiosa, una lezione o una seduta del consiglio comunale hanno una sola persona che parla e un pubblico che non pensa tutto nella stessa lingua. Le soluzioni abituali sono costose, parziali o private.
La soluzione costosa è un interprete per ogni lingua. Anche con uno per lingua, servono una cabina, un set di ricevitori e uno specialista per ogni lingua presente in sala, e gli specialisti non dicono esattamente la stessa cosa. Ogni interprete fa le proprie scelte sotto la pressione del tempo: quale parola usare per un termine, cosa comprimere, cosa tralasciare quando il relatore accelera. In un intervento ordinario le differenze contano poco. In un'udienza legale, in un voto del consiglio o in un briefing tecnico contano eccome: un termine definito, un dosaggio o una clausola possono arrivare agli ascoltatori francesi con un significato e a quelli arabi con un altro, e nessuno in sala è in grado di accorgersene. La soluzione parziale è un flusso di sottotitoli su un unico schermo, in una sola seconda lingua. La soluzione privata è tenere cinquanta telefoni alzati verso la sala: cinquanta trascrizioni leggermente sbagliate, ciascuna delle quali sente l'eco e i colpi di tosse con la stessa chiarezza della voce del relatore.
L'alternativa è trascrivere il relatore una sola volta, a partire da una sorgente pulita, e tradurre quell'unica trascrizione nelle lingue di cui il pubblico ha bisogno, così che ogni lingua parta dalle stesse parole. Poi ogni ascoltatore sceglie sul proprio dispositivo. La registrazione viene conservata al termine dell'evento. Ecco come l'organizzatore e l'ascoltatore lo impostano, e quanto costa.
Una trascrizione in diretta può ascoltare un microfono su qualsiasi dispositivo, un flusso RTMP da OBS o da qualsiasi altro encoder che richieda un URL del server e una stream key, una diretta YouTube, una radio su internet o qualsiasi URL che distribuisca uno stream. Per uno stream, VocalStack recupera l'audio da solo: non serve nulla dal tuo lato.
La sorgente conta più di qualsiasi impostazione. Un microfono d'ambiente, o un telefono appoggiato su un tavolo, capta il relatore insieme alla sala: riverbero dalle pareti, sedie, pubblico. Il riconoscimento vocale peggiora molto quando la voce si fa più debole rispetto a quel rumore, ed è per questo che quei cinquanta telefoni non concordano tra loro. Un'uscita dal banco di regia porta il microfono del relatore con poca sala dentro, quindi la trascrizione segue il relatore, non la stanza. Se il locale ha un banco di regia, prendi il segnale da lì.
La lingua parlata viene rilevata automaticamente, e il relatore può cambiarla in qualsiasi momento; indicarla in anticipo aiuta sulle registrazioni rumorose e con accenti marcati. Le etichette dei parlanti possono essere disattivate, attive oppure When Needed, che le attiva non appena si sente un secondo parlante. Una volta che l'audio arriva, il pubblico deve poterlo trovare da qualche parte.
Una trasmissione è il link: un indirizzo e un codice QR che gli ascoltatori scansionano per aprire la traduzione in diretta e scegliere la propria lingua. Il link si ricava dal nome che dai alla trasmissione. Se la rinomini in seguito, il vecchio link continua a funzionare, così un codice QR stampato su un programma non diventa obsoleto.
Una trasmissione è pubblica per impostazione predefinita: chiunque abbia il link può aprirla. Se la rendi privata e imposti una password, gli ascoltatori dovranno inserirla prima che compaia la trascrizione.
Una trasmissione può essere alimentata da più trascrizioni in diretta, così una conferenza con due palchi condivide comunque un solo link. Il link fa entrare le persone; a trattenerle è la correttezza dei nomi.
I sistemi di riconoscimento vocale sono addestrati su come le persone parlano di solito, quindi quando un suono è ambiguo scelgono la parola comune. Un nome di prodotto, un cognome, un paese, una sostanza chimica: ognuno ha un quasi-omofono più frequente, ed è quello che esce, a meno che al riconoscitore non si dica che sta per arrivare la parola rara. A questo serve uno script. Aggiungi uno script o le slide prima di iniziare, e i nomi e i termini che contengono prevarranno su ciò che è stato frainteso. Sono proprio questi nomi e termini il punto in cui il riconoscimento di solito cade in un intervento specialistico. Durante la registrazione, la scheda Script segue il discorso come un teleprompter, illuminando le parole già pronunciate.
Tutto qui per l'impostazione. Dall'altra parte del link c'è ancora meno da fare.
All'ascoltatore servono un link o un codice QR e un telefono. Apre il link nel browser e vede The broadcast hasn't started yet finché l'organizzatore non preme registra, poi Live. The first line appears in a moment. Sceglie tra le lingue scelte dall'organizzatore (fino a 10 per trascrizione, su 100 disponibili) e legge la trascrizione mentre il relatore parla. L'organizzatore continua a parlare nella propria lingua. L'ascoltatore può cambiare lingua in qualsiasi momento; la trascrizione fino a quel punto viene mostrata di nuovo nella nuova lingua.
Se l'ascoltatore preferisce ascoltare, ogni riga tradotta viene letta ad alta voce. Per impostazione predefinita a ogni parlante viene assegnata una voce predefinita diversa, dello stesso genere, così un panel suona ancora come un panel.
I tre passaggi avvengono in ordine, e ciascuno attende quello precedente. Il riconoscimento ha bisogno di un tratto di parlato prima di poter fissare le parole, quindi la trascrizione è in ritardo di una frazione di secondo rispetto al relatore. La traduzione richiede un'intera frase, perché l'ordine delle parole cambia da una lingua all'altra e la fine di una frase può modificarne l'inizio, quindi arriva uno o due secondi dopo. La sintesi vocale ha bisogno della frase tradotta prima di poter partire, quindi una riga parlata arriva per ultima. Non è un difetto da eliminare con una regolazione: è ciò che qualunque sistema che fa queste tre cose deve fare, compreso un interprete umano, che anche lui aspetta il verbo.
Con il consenso del relatore, l'organizzatore può clonare la sua voce a partire da trenta secondi di quella persona che parla da sola (un MP3, M4A o WAV; meglio qualche minuto). La traduzione viene poi letta con la voce del relatore, in ogni lingua. Tratta una voce per quello che è: un dato biometrico. Ai sensi del GDPR, i dati vocali trattati per riconoscere una persona rientrano in genere nelle categorie particolari dell'articolo 9, e alcuni stati USA, tra cui l'Illinois, regolano separatamente le impronte vocali. Ottieni il consenso esplicito del relatore prima che il campione venga registrato, non dopo; la voce può essere cancellata in qualsiasi momento. La clonazione registra anche il relatore come parlante noto, quindi nelle registrazioni future viene etichettato con il suo nome. L'organizzatore può assegnare una voce a ciascun parlante, oppure silenziarne uno.
Un ascoltatore che arriva in ritardo vede tutto ciò che è stato detto prima del suo arrivo, poi segue in diretta. Se la connessione cade, la pagina si riallinea da sola quando la connessione torna. Quando l'organizzatore mette in pausa, gli ascoltatori vedono Paused. The transcript continues when the host resumes. Quando l'organizzatore ferma, la pagina mostra la data e la durata della registrazione, e la trasmissione elenca le registrazioni passate per la riproduzione.
Un ascoltatore può leggere soltanto ciò che il motore ha sentito, e il riconoscimento in diretta ne sbaglia una parte.
La schermata dell'organizzatore ha una scheda Fix proprio per questo. Mark uncertain words colora e sottolinea le parole di cui il motore non era sicuro; Click to correct apre una riga per la revisione. La scheda scorre i segmenti incerti uno alla volta, così una seconda persona alla regia può sistemarli mentre il relatore prosegue.
Quando l'organizzatore riscrive una parola o una riga, anche una ancora in corso di pronuncia, ogni ascoltatore vede la correzione. Una riga con una confidenza troppo bassa viene nascosta agli ascoltatori come Audio unclear invece di essere mostrata sbagliata; l'organizzatore vede comunque ogni parola. Uno spazio vuoto è una lacuna nota; una parola sbagliata detta con sicurezza è una diceria.
Queste correzioni non scompaiono quando l'intervento finisce.
Tutto viene conservato. La registrazione, la sua trascrizione con correzioni e traduzioni, e l'audio finiscono nella libreria dell'organizzatore. La riproduzione riproduce tutto esattamente com'era arrivato, riga per riga, con il suo audio. Quando le parole sono definitive, un titolo e un riepilogo vengono scritti in ogni lingua, e le schede Summary ed Export della schermata dell'organizzatore li portano direttamente fuori dall'evento.
Le esportazioni sono sottotitoli SRT, PDF, Excel o JSON, con correzioni e traduzioni incluse, e l'audio si scarica in MP3. Ogni trascrizione è ricercabile in qualsiasi lingua.
La vista Audience mostra chi ha ascoltato, in quale lingua e quando si è unito: spesso è il primo vero conteggio che un organizzatore ottiene su chi aveva bisogno di quale lingua. Fino ad allora, la stima consueta era chi alzava la mano quando si chiedeva, in inglese, se avesse bisogno della traduzione. Gli identificativi degli ascoltatori vengono eliminati insieme alla registrazione.
Il riconoscimento vocale, il riconoscimento dei parlanti e la sintesi vocale girano su server che gestiamo noi, e il tuo audio non viene inviato a terzi per l'elaborazione. Non usiamo il tuo audio, le tue trascrizioni o le tue voci per addestrare modelli.
La conservazione segue il piano: con Pay as you go, l'audio sorgente e le voci vengono conservati per 7 giorni e le trascrizioni per 30 giorni; Premium ed Enterprise li conservano per tutta la durata dell'account. L'altra cosa che il piano decide è la fattura.
Due numeri contano. Con Pay as you go e Premium, la trascrizione in diretta costa $0.60 all'ora di audio, fatturata al secondo con un minimo di 5 minuti per trascrizione, nella Dashboard e tramite API allo stesso modo; Enterprise ha tariffe a volume. Ascoltatori e lingue sono gratuiti: un evento di un'ora letto in cinque lingue da duecento persone costa $0.60. I file costano meno ($0.20 all'ora) perché una trascrizione in diretta gira in tempo reale per tutta la durata dell'evento. I piani differiscono per concorrenza, lunghezza massima della registrazione e velocità di avvio; con Pay as you go un avvio a freddo può richiedere fino a 15 secondi, quindi premi registra un po' prima che parli il relatore, più o meno un “Ci sentite tutti in fondo?” in anticipo. La tabella completa è nella pagina dei prezzi.
La home page ha una demo con due telefoni, e un nuovo account nella Dashboard riceve un credito di benvenuto di $5 e non richiede una carta. Alla tariffa in diretta, quel credito copre più di otto ore di trasmissione.
Stai valutando questa soluzione o la traduzione dal vivo integrata nel telefono di tutti? Leggi perché un telefono non basta per una sala. Per un evento completo, la checklist per conferenze multilingue copre il percorso audio, più palchi su un solo link, e il budget. Gli sviluppatori possono fare tutto questo dal codice tramite la documentazione API, alla stessa tariffa.
