礼拝や議会で認識が誤りやすい言葉は、たいてい事前に紙に書かれているものです。議事次第を渡し、会場の音ではなくミキサーから音声を取り込めば、毎週のイベントの費用は終了後のコーヒー代より安く済みます。
礼拝、火曜日の講義、月例の議会には、一見すると多くの共通点があります。どれも同じ部屋で何度も繰り返され、AV会社ではなくボランティアや事務職員が運営し、別の言語でのほうがよく理解できる人、耳が聞こえにくい人、そもそも会場に来られない人のための場です。予算は小さく、担当者も入れ替わります。昨年これを立ち上げた人は、たいてい今は花当番に回っているものです。
本記事では、そのような部屋にVocalStackを一度だけ設定し、それ以降は毎週開始ボタンを押すだけで済むようにする方法を解説します。また、画面に表示される言葉の正確さを左右する数少ないポイントも取り上げます。一度きりの催しである、複数のステージを持つ会議については、多言語カンファレンスでのライブ字幕の実施をご覧ください。まずは印刷するものから見ていきましょう。
ブロードキャストは、公開リンクとQRコード1つで構成されます。誰でもブラウザでリンクを開き、言語を選んで、話者が話すのに合わせて読めます。インストールも、アカウント作成も必要ありません。1つのブロードキャストには好きな数だけライブ文字起こしを接続できるため、今週の録音も次週の録音も同じアドレスに表示されます。
QRコードは一度印刷して、掲示板、式次第、講義スライド、公開ギャラリーの壁などに貼っておきましょう。参加者はそれをスキャンしてライブ翻訳を開き、言語を選べます。リンクの名前を変えても、古いリンクは同じブロードキャストを開き続けるので、昨年のチラシもそのまま使えます。
早めにリンクを開いた人には、ブロードキャストがまだ始まっていないことが表示されます。途中から参加した人には、到着前に話された内容がすべて表示され、その後はライブで追えます。接続が途切れた視聴者は、自動的に追いつきます。
ブロードキャストはデフォルトで公開されます。これは礼拝や議会の会議には適していますが、非公開の会議やセミナーには不向きです。そのような場合は非公開に切り替え、パスワードを設定してください。パスワードを知っている人だけがリンクを開け、文字起こしが表示される前にパスワードの入力を求められます。いずれの場合も、この部屋が文字起こしされていること、そしてテキストがどこに送られるかを目立つ場所に明記してください。声に出して祈っている人や、公開の意見陳述で3分間話す人は、必ずしも文字起こしされることを予期していません。式次第や議事次第にその旨を一行書いておくのは簡単で効果的です。ブロードキャストは{{app}}/broadcasts/newで作成します。
リンクだけでは不十分で、そこに言葉を載せる仕組みが必要です。
ソフトウェアより前に、まず音声です。教会や議会の施設は、反響を前提に作られています。石造りの壁、高い天井、木製の長椅子。演台に置いた携帯電話やノートパソコンは、話者の声を直接一度拾い、その後に壁から反射した音を何度も拾ってしまいます。距離と反響は、アクセントを上回る認識エラーの最大の原因です。会場にミキサーがあるなら、そこから（補助出力または録音出力を使って）音声を取り出してください。そうすれば、認識エンジンはマイクが拾っている音と同じ音を聞くことができます。説教壇を離れる牧師や、ホワイトボードの前に立つ講師のように動き回る人には、スタンドのマイクに頼らず、襟元に付けるピンマイクやヘッドセットを着けてもらいましょう。ここさえ解決すれば、あとは大半が微調整で済みます。
多くの教会、大学、議会は、すでにこのミキサーの音声をどこかに出力しています。ライブ文字起こしは、会場内の機器ではなく、そこから音声を取り込むことができます。
ストリームの場合、VocalStackが音声を自分で取得するので、手元側で何かを動かす必要はありません。ただし、アドレスはインターネットから到達可能である必要があります。自社ネットワーク内にしか存在しないストリームは、会場内のデバイスから録音する必要があります。ライブ文字起こしは{{app}}/transcriptions/new/liveで開始し、ブロードキャストに接続してください。
適切な音声が届くようになると、今度は予想できる種類のエラーが目立つようになります。
教会、講義、議会で音声認識が誤りやすい言葉は予測できるものです。人名や地名、聖書の箇所、専門用語、議事次第の項目などがそうです。その理由は構造的なものです。認識エンジンは、音から見て最も確からしい単語を選びますが、その確率は人々が普段どんな言葉を使うかから学習されています。そのため、珍しい姓は、音が似ている一般的な単語に負けてしまいます。この分野の対策は、バイアシング（またはカスタム語彙）と呼ばれ、どの珍しい単語が出てくるかをシステムに教えることです。毎週の会議にとって有用なのは、こうした単語の多くが、イベントの前にすでに文書に書かれているという点です。
録音の前に、台本またはスライドを追加してください。そこに含まれる名前や用語は、認識エンジンが聞き誤った内容よりも優先されます。全文を一字一句読み上げる必要はありません。説教の概要、配布資料、公表済みの議事次第には、固有名詞の大部分がすでに含まれています。録音中は、ホスト画面の「Script」タブがテレプロンプターのように話についてきて、これまでに話された単語を順に点灯させます。
台本は事前に作成し、開始時刻を設定しておくことができます。ライブラリではUpcomingの下に表示され、「Start」ボタンがあります。当番制にも向いていて、ある人が金曜日にテキストを追加し、別の人が日曜日に「Start」を押す、という運用ができます。
それでも単語が誤って表示された場合は、「Fix」タブで不確かな単語が目印され、録音中にホストが行をクリックして修正できます。視聴者には修正内容が表示されます。
言葉を正しく書き起こすことは一つの課題で、もう一つは誰が話したかを把握することです。
話者ラベルの切り替えには3つの状態があります。When Neededは、複数の声が検出されたときに各行に話者ラベルを付けます。それ以外の場合は、プレーンテキストになります。Onは、話者が一人であってもすべての行にラベルを付けます。Offはプレーンテキストにします。説教であれば、「When Needed」にすると、声が一人のあいだは文章として読めます。12名の議員からなる議会であれば、すべての行に発言者が表示されます。
ラベルは最初は番号で表示されます。録音中には話者に名前を付けることができ、その名前はその人の全行に適用されます。毎週話す人については、さらに一歩進んで声を保存できます。録音の中で30秒以上話している人、または本人が提供する短い録音から、クローン音声を作成できます。その後、その話者は将来の録音で認識され、名前付きでラベルが付けられます。視聴者が翻訳の読み上げを選んだ場合は、どの言語でも、その話者本人の声で読まれます。クローンを作らなくても、各話者には性別が合う標準音声がそれぞれ割り当てられ、任意の話者をミュートすることもできます。
クローン音声は生体データです。VocalStackは、話者本人の明示的な同意がある場合にのみ作成し、その話者の発言を読み上げるためだけに使用します。また、いつでも削除できるようにしています。議員や聖職者は、それぞれの場では公人ですが、それは同意とは別のものです。必ず確認を取ってください。
議会にとっては、ここで文字起こしが記録になります。すべての行に名前が付けられることで、議事録には「この件はもう話し合ったと思います」と四度目に言った人が誰なのかが、ついに明らかになります。そこで次に問題になるのは、この記録が誰のためのものなのか、ということです。
最初に恩恵を受けるのは、耳が聞こえない方や聞こえにくい常連の方々です。別の言語で読む訪問者ももちろん歓迎ですが、その次です。ヒアリングループ（補聴ループ）は補聴器を使う人を助けますが、それ以外の人には効果がありません。スマートフォンの字幕は他の人々を助けるもので、両者は競合するのではなく補完し合います。多くの国の公的機関には、アクセシビリティや公開会議に関する義務があり、公衆がライブでも後からでも読める文字起こしは、そのどちらにも大きく役立ちます。お住まいの地域で何が適用されるかは確認してください。
自動字幕が何であるかについては、正直に説明しておきましょう。人間の字幕者（一部の国ではCARTと呼ばれます）は、聞いて、理解して、入力します。議員3名が同時に話すような白熱した議会の討論では、人間の字幕者の方が依然として機械より優れています。重なった発言は、どの自動システムでもエラーを生みますし、議長がマイクの外でつぶやく声も同様です。逐語的な字幕が法的に求められる場合、自動字幕は補助であり、代替にはなりません。一方で、何も用意がない状態に比べれば、自動字幕は大きな改善です。
文字起こしは、翌日になってからこそ価値が高まります。
すべての録音はライブラリに保存され、ブロードキャストのページには、リンクを持つ人向けに過去の録音が一覧表示されます。会議に参加できなかった人は、その録音を、音声とともに一行ずつ、到着したままの形で再生できます。
言葉が確定すると、すべての言語でタイトルと要約が作成されます。自分の言語で検索すると、別の言語で録音された内容も見つかるため、書記は議題が話し合われた月を、学生は学期の内容を扱った講義を見つけられます。エクスポートは、SRT字幕、PDF、Excel、JSON形式で提供され、修正内容と翻訳も含まれます。翻訳された文字起こしのPDFは、議事録のそばに置くのにちょうどよいものです。これらの作業を人が手動でクリックせずに自動で行いたい場合は、APIがダッシュボードでできることすべてを、同じレートで、すべてのプランで実行できます。詳しくは{{api}}/docsをご覧ください。
これらすべては、教会や委員会の予算の範囲に収まる必要があります。
ライブ文字起こしは、音声1時間あたり$0.60で、秒単位で課金され、文字起こしごとに最低5分です。これはすべてのプランで同じです。視聴者は何人いても無料で、1つの文字起こしにつき最大10言語までの翻訳が含まれます。
新規アカウントには、一度限りの$5のサインアップクレジットが付き、カードの登録は不要です。このクレジットは、1か月以上の日曜日分をまかなえる額です。その後は、従量課金でクレジットをチャージするか、月額$50（年払いでは月額$40）のPremiumを選べます。Premiumには毎月$50のクレジットが含まれており、これは83時間のライブに相当します。さらに、録音は30日間ではなくアカウントの存続期間中ずっと保存され、クレジットが会議の途中で尽きても、文字起こしが途中で打ち切られることはありません。会計担当者への実務的な注意点が2つあります。従量課金では、ゼロの状態から開始するまでに最大15秒かかることがあるため、開始は冒頭の賛美歌の最中ではなく、その前に押してください。また、すでに終了したYouTubeライブは動画であるため、ファイル向けのはるかに安いレートで文字起こしされます。
1つの会場で定期的なイベントを行うなら、従量課金で十分です。何年後にもすべての録音を検索できるようにしたい機関や、複数の会場を同時に運営する組織には、Premiumをお選びください。上限と保存期間を含む詳しい表は料金ページにあり、インタラクティブデモでは視聴者に見える画面を確認できます。
