字幕は、ミキシングデスクと登壇者のスライドで決まります。ステージごとに音声マイクの信号を一つ確実に取り込み、登壇前にすべての人名と略語を登録してください。当日の残りの作業は、この二つで取りこぼしたものを直すことです。
カンファレンスの字幕づくりの大半は、登壇者がステージに上がる前に決まります。そして、その大半はソフトウェアの仕事ではありません。
演台のスマートフォンは会場の音を拾い、ミキシングデスクは話者の音を拾います。音声はデスクから取ってください。そのうえで、どの信号かを明確にします。音響エンジニアに、音声マイクだけを載せた専用のAUXまたはマトリックス送出を頼んでください。対象は演台、ラペルマイク、パネル用マイクです。入場音楽、動画の再生音、拍手の音声は含めないようにします。ジングルの音が混ざったまま認識させると、歌詞を自信たっぷりに当て推量してしまいます。
その送出は、本番の機材と、可能であれば本番のスピーカーを使い、テクニカルリハーサルで確認してください。そうしないと、開催当日の朝8時55分になって、マトリックス出力がフェーダー後段になっていて、エンジニアが講演の合間に演台をミュートしていることに気づくことになります。
VocalStack にこの信号を渡す方法は二つあります。一つ目は、デスクに置いたRTMPエンコーダーです。ライブ文字起こしのソースとしてRTMPストリームを追加すると、ダッシュボードにエンコーダーが必要とするサーバーURLとストリームキーが表示され、音声が届いているか、どの形式で届いているかが分かり、音声を聴くこともできます。二つ目はストリームのアドレスです。ステージがすでにYouTubeのライブ配信や音声ストリームとして出力されている場合は、そのリンクを貼り付けるだけで、VocalStack が音声を自分で取得します。手元で何かを動かす必要はありません。貼り付けるのは、再生されているページのアドレスではなく、ストリーム自体のアドレスです。誤ってWebページを貼り付けた場合は、ダッシュボードがそれを知らせます。
いずれの場合も、ステージごとに音声マイクは一系統にしてください。客席のマイクや話者同士の混線は、どんな設定でも取り戻せない精度の低下を招きます。会場で最も良いマイクは、いつもそこから身を遠ざけてしまうパネリストに渡されているものです。
音声が届いたら、参加者が字幕を読める場所が必要です。
ブロードキャストは、参加者が開くリンクです。Broadcastsの下で作成し、名前を付けて、リンクを選びます。ダッシュボードは名前をもとにリンクを提案します。6文字以上を残す限り、編集できます。同じ画面には、参加者がスキャンしてライブ翻訳を開き、言語を選ぶためのQRコードも表示されます。
ブロードキャストを公開にするか非公開にするかは、今のうちに決めてください。公開とは、リンクを知っている人が誰でも開けることです。非公開とは、参加者が文字起こしを表示する前に短いパスワードを入力することです。後からリンクを変える必要がある場合は、変更してください。古いリンクも引き続き有効です。
次に、そのリンクを大勢の人の手元に届ける方法を考えます。各セッションの前に表示する待機スライド、会場の入口の案内表示、ネームカードのランヤードがあれば、そこにQRコードを載せてください。数百台のスマートフォンが同時に接続すると、会場のWi-Fiにかなりの負荷がかかります。そこで、会場に対して、アクセスポイントがどの程度の台数を想定して設計されたか、ゲストネットワークが端末ごとに通信を制限しているかを確認しておきましょう。明確な答えが返ってこなければ、参加者にはモバイルデータ通信を使うよう案内してください。ページ自体は軽量なので、リスクはWi-Fiのほうです。
二つのステージがある会議でも、リンクは二つ必要ありません。一つのブロードキャストに、複数のライブ文字起こしを同時に接続できます。ステージAとステージBを、同じブロードキャストに接続する二つの文字起こしにすると、参加者のスマートフォンは一つのページで両方を表示します。各ステージはそれぞれ独立したライブ文字起こしで、どのプランでも同時に実行できる数に上限があります（従量課金は1、Premiumは5、Enterpriseは無制限）。この上限は、後述の「予算」の節で改めて取り上げます。
リンクの価値は、その裏にある言葉の質で決まります。
どのシステムでも、ライブ認識は人名、製品用語、略語でつまずきます。開始前に、各登壇者の原稿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、エンジンが聞き取ったと判断した内容より優先されます。講演中は、Scriptタブが、テレプロンプターのように言葉を追いかけます。
ここで、機械による字幕が何であるかについても正直になっておきましょう。音声認識と機械翻訳は、CART（Communication Access Realtime Translation、訓練を受けた人間の字幕者がタイプで行うリアルタイム字幕）ではありませんし、通訳でもありません。速く、安価で、疲れを知らない仕組みです。ただし、ときどき否定を逆にしたり、数字を丸めたり、冗談を事実の陳述に訳したりします。基調講演、製品セッション、パネルディスカッションでは、通常それで十分な選択です。一つの言葉の誤りが結果を左右する場面（法律、医療、投票など）では、人間の字幕者や通訳を手配し、機械は書き起こしの記録として並行して動かしてください。アクセシビリティの基準も知っておく価値があります。WCAG 2.xは、ライブ音声への字幕をレベルAA（達成基準1.2.4）で求めており、増えつつある公共部門や会場の契約では、これをそのまま引用しています。
言葉が決まったら、最後の準備は、その言葉を誰が話しているかです。
話者ラベルは、誰が話しているかを聴衆に示します。切り替えスイッチをWhen Neededに設定すると、二人目の話者が聞こえた後にだけラベルが表示されます。そのため、基調講演はプレーンテキストとして読め、パネルは会話として読めます。
事前に「Voices」で話者の音声を登録しておくと、最初の一言から名前で話者を認識できます。一人が話している音声クリップで十分です。MP3、M4A、WAVのいずれかで、長さは最低30秒ですが、数分あるとより良くなります。本人の同意が必要です。ダッシュボードは、音声を作成する前に許可を得ていることを確認するよう求めます。これを単なるチェックボックスとして扱わないでください。GDPRでは、特定の個人を識別するために使われる声紋は、一般に生体データ（第9条）として扱われます。つまり、明示的な同意と、声紋の削除を求める権利が必要です。他の地域にも同様の規則があり、話者との合意書で扱うのが最も簡単です。クローン音声はいつでも削除できます。存在しているあいだは、聴衆がその話者の翻訳を、よく似た声で聞けるようにもなります。
計画が固まったので、あとは当日の作業だけです。
すべてのライブ文字起こしには、遅延モードと、経時的な遅延を示すグラフがあるSpeedタブがあります。設定は三つです。
音声が明瞭なデスクからの台本つき基調講演なら、Auto が適切です。アクセントが四つあり、台本のない技術パネルでは、遅延が増えても Accuracy を選ぶ価値があります。
開始時の待ち時間も計画に入れておく必要があります。従量課金では、コールドスタートに最大15秒かかり、その後で文字起こしが始まります。Premium は通常ウォーム状態で始まり、Enterprise は常にウォーム状態です。最初の一言ではなく、入場中に開始ボタンを押してください。
モードにかかわらず、いくつかの言葉は誤るので、誰かが画面を見ている必要があります。
会場のデスクにいる誰かが、Fixタブを開いたままにしておいてください。このタブには二つのスイッチがあります。Mark uncertain wordsは、エンジンが確信を持てなかった言葉に色を付け、下線を引きます。Click to correctをオンにすると、クリックしたときにレビュー用の行が開きます。このタブは、不確かなセグメントを一つずつ順に案内し、修正は、すべての言語のすべての聴衆に届きます。
どの会場でも、客席のマイクが弱点になり、質疑応答でそれが表れます。回答の前に、司会者に、客席からの質問を必ず自分のマイクで繰り返してもらってください。字幕が助かるのはもちろん、聞こえていなかった後方の席の人たちも助かります。
セッションの合間には、デスクには別の仕事があります。
ホスト画面では録音の一時停止と再開ができ、リスナーのページには通知が表示されます。通知の文言は「一時停止中です。ホストが再開すると文字起こしが続きます。」です。一時停止は、登壇者の入れ替えのための短い休止であり、昼食休憩のためのものではありません。各録音には最大一時停止時間があり、ダッシュボードで30秒、1分、3分のいずれかに設定されています。それより長く一時停止された録音は、自動的に終了します。
より長い空きがある場合は、録音を停止し、次のセッションが始まったときに新しい録音を開始してください。録音はすべて、ブロードキャストのページに残るので、午後になっても、参加者は午前のセッションまでさかのぼって見られます。単一のライブ録音には、従量課金では数時間、Premiumではそれより長い上限があります（正確な数字は料金ページにあります）。そのため、長い一日は、いずれにしても複数の録音になります。
午前中の途中で、誰が実際に読んでいるかを確認しましょう。
Broadcastタブの視聴者ビューには、誰が参加しているか、今何人が聞いているか、開いている言語、そして時間ごとのリスナー数が表示されます。各文字起こしには最大10言語を含められ、各リスナーは自分の端末で言語を一つ選びます。そのため、このビューからは、会場の人々が実際に読んでいる言語が分かります。それは、主催者が推測していた一覧とはめったに一致しません。マドリードから登録した参加者が実は英語を読むことが分かったり、想定していなかったところからポルトガル語の行が埋まっていったりします。その一覧を、来年に向けて持ち帰ってください。
その聴衆は全員無料です。費用がかかるのは音声です。
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、すべてのプランおよびAPI経由で同じです。8時間ずつ稼働する二つのステージは、ライブ音声16時間分、すなわち$9.60です。翻訳、ブロードキャスト、要約、エクスポートは、何人が聴いても料金に含まれます。
プランによって違うのは料金率ではなく、処理能力です。従量課金では、クレジットカードなしで$5の初回登録クレジットが付き、同時に実行できるのは一つの文字起こしのみで、録音は最大5時間です。ライブ文字起こしは、クレジットがゼロになった時点で直ちに停止するので、ドアを開ける前にチャージしてください。Premiumは月額$50（年間プランでは月額$40）で、毎月$50のクレジットが含まれ、これは83時間のライブ音声に相当します。同時に五つの文字起こし、10時間の録音が可能です。さらに猶予期間があり、ライブ文字起こしはゼロになった後もしばらく続きます。その超過分は同じ料金で課金されます。二つの並行するステージにはPremiumが必要です。Enterpriseは個別料金で、同時実行数に制限がなく、24時間の録音と専用のエンジンプールがあります。
全体の表は料金ページをご覧ください。また、会議の一週間前には、ダッシュボードのBillingで残高を確認してください。
音声が止まれば課金も止まりますが、文字起こしは残ります。
文字起こしは、従量課金では30日間、PremiumとEnterpriseでは無期限に保存されます。従量課金では、元の音声は7日間だけ保存されます。無料プランの場合は、その週のうちにエクスポートしてください。
視聴者の側からリンクがどう見えるかは、一つのリンク、すべての言語をご覧ください。または、ホームページのライブデモをお試しください。
