Trascrizione e traduzione in tempo reale: come funziona il parlato in testo in diretta, quanto resta indietro, cosa influisce sull'accuratezza e quanto costa.
La trascrizione in tempo reale trasforma il parlato in testo mentre la persona sta ancora parlando. Le parole compaiono sullo schermo pochi istanti dopo essere state pronunciate, si assestano in righe definitive e possono essere lette da chiunque segua. Aggiungi la traduzione in tempo reale e ogni lettore può seguire lo stesso discorso nella propria lingua, come testo o ascoltato ad alta voce.
Questa guida tratta la trascrizione e traduzione in tempo reale da entrambi i lati: cosa vede chi ascolta, da dove può arrivare l'audio, cosa decide l'accuratezza, cosa ottengono gli sviluppatori da un'API e quanto costa.
La trascrizione in tempo reale, detta anche trascrizione in diretta o parlato in testo in diretta, è un riconoscimento vocale che gira mentre l'audio sta ancora arrivando. Un file registrato può essere trascritto avendo a disposizione l'intera registrazione. Una trascrizione in diretta deve impegnarsi sulle parole avendo solo gli ultimi secondi su cui basarsi, e tenere il passo di chi parla per tutto il tempo che parla.
I sottotitoli in diretta sono la stessa cosa mostrata come brevi righe su un video o su uno schermo.
Su VocalStack una trascrizione in diretta può ascoltare in 100 lingue. Rileva da sola la lingua parlata e segue chi parla se cambia, cosa che come funziona il rilevamento automatico della lingua spiega, insieme a quando conviene indicare la lingua in anticipo.
Il testo arriva in due fasi. Le parole più recenti compaiono prima come bozza, che può ancora cambiare man mano che arriva altro audio. Un istante dopo, la bozza si assesta in una riga definitiva che non cambia più.
La bozza esiste perché un riconoscitore decide una parola in parte da ciò che la segue. "Lago" e "l'ago" suonano uguali finché non arriva la parola successiva. Mostrare presto l'ipotesi è ciò che fa sembrare viva una trascrizione.
Quanto il testo resta indietro rispetto a chi parla dipende dalla fase:
Due ritardi stanno fuori da quella catena. Quando la fonte è uno stream pubblico invece di un microfono, lo stream è già in ritardo rispetto al suo punto live: da uno a tre secondi per un semplice stream di radio su internet, e da diversi secondi a mezzo minuto per HLS. E su Pay as you go una trascrizione in diretta può impiegare fino a 15 secondi per partire. La scomposizione completa, comprese le modalità di latenza Auto, Fast e Accuracy, è in la latenza della traduzione in diretta, spiegata.
La traduzione gira sopra la trascrizione. Una trascrizione in diretta può essere tradotta in fino a 10 lingue contemporaneamente, scelte tra 100. Ogni ascoltatore ne sceglie una sul proprio dispositivo e può cambiare in qualsiasi momento; la trascrizione fino a quel punto viene mostrata di nuovo nella nuova lingua.
Ogni lingua viene tradotta dalla stessa trascrizione, quindi ogni ascoltatore ottiene le stesse parole, e una correzione raggiunge tutti.
Un ascoltatore che preferisce ascoltare invece di leggere può far leggere ad alta voce ogni riga tradotta. Per impostazione predefinita ogni parlante riceve una voce predefinita distinta che corrisponde al suo genere, così un panel suona ancora come più persone. Con il consenso di un parlante, un host può clonare la sua voce da circa 30 secondi in cui parla da solo, e la traduzione viene poi letta con la sua voce.
La regola per le voci è stretta di proposito. Una voce legge solo ciò che la stessa persona ha detto, tradotto in una lingua scelta dall'ascoltatore. Non legge mai un testo digitato da qualcuno, e non legge mai le parole di un parlante con la voce di un altro.
Come funziona tutto questo per un'intera sala, dal setup dell'host a chi arriva in ritardo, è in un link, ogni lingua.
Una trascrizione in diretta ha bisogno di una fonte audio. Queste sono quelle che VocalStack accetta oggi:
I sottotitoli dentro il lettore di YouTube, tramite il suo pulsante CC, sono in arrivo. Fino ad allora, gli spettatori di una diretta YouTube seguono i sottotitoli dal link della trasmissione.
Se hai bisogno oggi della trascrizione in diretta su Windows, l'estensione per Chrome o Edge, il plugin per OBS e la Dashboard in un browser funzionano tutti lì.
Una trasmissione è il modo in cui altre persone seguono una trascrizione in diretta. È un link e un codice QR. Gli ascoltatori la aprono in un browser, scelgono una lingua e leggono. Non hanno bisogno di un account, non installano nulla e non costano nulla: il conto non cambia con il numero di ascoltatori o di lingue.
Una trasmissione è pubblica per impostazione predefinita e può essere protetta con una password. Se rinomini il suo link, quello vecchio continua a funzionare, così un codice QR stampato su un programma non diventa obsoleto. Una trasmissione può portare più trascrizioni in diretta, quindi due palchi possono condividere un link.
Un ascoltatore che arriva in ritardo vede tutto ciò che è stato detto prima di entrare, poi segue in diretta. Dopo, la vista Audience mostra chi ha ascoltato, in quale lingua e quando si è collegato.
Per gli eventi, la checklist per conferenze multilingue copre audio, palchi e budget, e trascrizione in diretta per chiese, aule universitarie e sale consiliari copre la versione settimanale dello stesso setup.
Tutto quanto sopra si può fare da codice. Per l'audio in diretta nella tua app, l'API ha le sessioni in tempo reale: il tuo server fa una chiamata a POST /v1/realtime/sessions con una chiave API e riceve in cambio uno streamUrl di breve durata. Il tuo client apre un WebSocket verso di esso, invia audio grezzo mentre viene catturato e rilegge la trascrizione come frame JSON.
I frame seguono le stesse due fasi che vede un lettore. Un transcript.draft sostituisce la coda viva, un transcript.committed aggiunge una riga definitiva e, con la traduzione attiva, arrivano frasi intere con le traduzioni allegate. Lingue di destinazione, etichette dei parlanti e modalità di latenza si possono cambiare a sessione in corso con session.update.
Una sessione in tempo reale non memorizza nulla. Quando vuoi che le parole siano conservate, corrette e condivise con un pubblico, pubblichi invece l'audio su una trascrizione in diretta e una trasmissione. Gli SDK ufficiali per TypeScript, Python e PHP racchiudono entrambe, e un server MCP permette a un assistente IA di usare lo stesso account.
Il tutorial sul WebSocket costruisce passo passo una vista dei sottotitoli funzionante, e il riferimento API ha ogni campo. L'uso dell'API viene fatturato alla stessa tariffa della Dashboard.
L'accuratezza è decisa soprattutto prima che giri qualsiasi riconoscitore, dall'audio che gli viene dato. Quattro cose fanno la differenza maggiore.
Il microfono. Un microfono vicino a chi parla, o un segnale preso dal mixer del locale, porta la voce con poca sala dentro. Un telefono su un tavolo sente chi parla più eco, sedie e colpi di tosse. È il fattore singolo più importante, e perché un telefono non basta per una sala ne spiega il motivo.
Rumore e sovrapposizione. Il rumore di fondo causa parole perse e parole inventate, e due persone che parlano insieme confondono sia le parole sia chi le ha dette. Errori di trascrizione audio elenca sette cause comuni, che aspetto ha ciascuna e come correggerla.
Uno script di riferimento. I nomi e i termini noti vengono riconosciuti così come sono. I nomi dei prodotti di un'azienda, una sigla interna o il cognome insolito di un ospite non possono essere noti in anticipo, quindi aggiungi uno script o delle slide prima di iniziare, e i nomi e i termini che contengono vengono scritti esattamente come li hai scritti tu.
Etichette dei parlanti. Le etichette possono essere Off, On o When Needed, che le attiva quando si sente un secondo parlante. Diarizzazione dei parlanti e riconoscimento vocale a confronto spiega come le due risposte, cosa è stato detto e chi l'ha detto, siano separate e si correggano separatamente.
Conta anche la modalità di latenza: Fast fa uscire il testo prima ma ne rivede di più, Accuracy aspetta un po' di più.
Una singola cifra di accuratezza dice meno di quanto sembri. Il tasso di errore sulle parole conta un nome sbagliato come un "il" perso, ed è per questo che cosa misura il tasso di errore sulle parole, e cosa non vede sostiene di giudicare un sistema da quali errori ti lascia individuare e correggere.
Nessuna trascrizione in diretta è perfetta, quindi lo schermo dell'host ha una scheda Fix. Può segnare le parole su cui il riconoscitore era incerto, e qualsiasi riga può essere aperta e corretta. Una seconda persona alla postazione può esaminarle mentre chi parla continua.
Quando l'host riscrive una parola o una riga, anche una ancora in corso di pronuncia, ogni ascoltatore vede la correzione, in ogni lingua. Una riga sentita con troppa poca sicurezza viene nascosta agli ascoltatori come "Audio unclear" invece di essere mostrata sbagliata; l'host la vede comunque.
La registrazione viene conservata con la sua trascrizione, le correzioni e le traduzioni. Dopo puoi:
Per quanto tempo audio e trascrizioni vengono conservati dipende dal piano, e la pagina dei prezzi lo elenca.
La maggior parte degli strumenti di trascrizione in diretta sembra uguale in una demo; le differenze emergono nelle domande qui sotto. La colonna di destra descrive VocalStack com'è oggi.
| Domanda | Perché conta | VocalStack |
|---|---|---|
| Quali lingue può ascoltare? | Uno strumento che non sa trascrivere la lingua di chi parla non aiuta, per quanto buona sia la traduzione. | 100 lingue, rilevate automaticamente, con cambio a metà discorso |
| Quanto resta indietro il testo rispetto a chi parla? | I lettori notano un divario crescente più di una parola sbagliata occasionale. | Testo originale con una frazione di secondo di ritardo, traduzione uno o due secondi dopo; tre modalità di latenza |
| Traduce, e chi sceglie la lingua? | Una lingua di sottotitoli su uno schermo lascia fuori tutti gli altri. | Fino a 10 lingue per trascrizione, ogni ascoltatore sceglie la sua |
| Può leggere ad alta voce la traduzione? | Alcuni ascoltatori non possono leggere, o preferiscono non farlo. | Voci predefinite per impostazione; la voce clonata del parlante con il suo consenso |
| Come arriva al pubblico? | App e account fanno perdere persone sulla soglia. | Un link e un codice QR, nessun account, password facoltativa |
| Si possono correggere gli errori in diretta? | Un nome sentito male e ripetuto per un'ora fa un danno reale. | Correzioni in diretta inviate a ogni ascoltatore |
| Da dove può arrivare l'audio? | Il tuo setup non dovrebbe dover cambiare per adattarsi allo strumento. | Microfono, estensioni del browser, app desktop, OBS, RTMP, link di stream |
| C'è un'API? | Potresti volere i sottotitoli dentro il tuo prodotto. | API REST e WebSocket, SDK, server MCP, stessa tariffa della Dashboard |
| Come è prezzato? | Un prezzo per ascoltatore o per postazione cresce con il tuo pubblico. | Per secondo di audio; ascoltatori e lingue gratuiti |
Su VocalStack paghi per secondo di audio trascritto. Al momento in cui scriviamo, la trascrizione in diretta costa $0.60 all'ora e i file $0.20 all'ora, su ogni piano, nella Dashboard e tramite l'API allo stesso modo. Traduzione, voci, riepiloghi, trasmissione e ascoltatori non aggiungono mai nulla al conto, quindi un intervento di un'ora letto da 200 persone in cinque lingue costa gli stessi $0.60 di uno letto da nessuno.
I piani differiscono in alcuni aspetti:
Se nessuno ha bisogno di leggere mentre succede, carica la registrazione dopo alla tariffa per i file. Prezzi attuali, conservazione e limiti di ciascun piano sono nella pagina dei prezzi.
Un nuovo account VocalStack include $5 di credito di iscrizione e non richiede una carta. A $0.60 all'ora sono circa otto ore di trascrizione in diretta, con traduzione e trasmissione incluse. Dopo paghi al secondo. Gli ascoltatori sono sempre gratuiti.
Sì. Una trascrizione in diretta può essere tradotta in fino a 10 lingue contemporaneamente mentre la persona parla. La traduzione compare uno o due secondi dopo il testo originale, e ogni ascoltatore sceglie la propria lingua.
Dipende soprattutto dall'audio. Un microfono vicino o un segnale dal mixer, poco rumore di fondo, una persona che parla alla volta e uno script di riferimento con i nomi danno i risultati migliori. Le correzioni in diretta permettono a un host di sistemare ciò che è ancora sbagliato mentre l'intervento prosegue.
Il testo nella lingua originale segue chi parla con una frazione di secondo di ritardo, e le traduzioni seguono uno o due secondi dopo. Uno stream pubblico aggiunge un ritardo proprio prima che l'audio raggiunga VocalStack.
Sì, tramite l'estensione per Chrome o Edge, il plugin per OBS Studio o la Dashboard in un browser. L'app desktop oggi è per macOS, con Windows in arrivo presto.
No. Gli ascoltatori aprono il link della trasmissione o inquadrano il suo codice QR in un browser, scelgono una lingua e leggono. Non c'è nulla da installare.
Apri la Dashboard, avvia una trascrizione in diretta dal microfono e apri sul telefono il link della sua trasmissione. Il credito di iscrizione copre le tue prime ore, e puoi vedere di persona le bozze che si assestano e la traduzione che segue.