Көп тілді залға тілге бөлінген кабиналар керек емес. Оған бір таза аудио ағыны пультен, тыңдаушылардың өз телефондарынан ашатын бір сілтеме және сөйлеу жүріп жатқанда дұрыс танылмаған атауды түзету мүмкіндігі керек.
Баяндама, қызмет, дәріс немесе қала кеңесінің отырысында бір адам сөйлейді, ал тыңдаушылардың бәрі сол тілде ойлай бермейді. Әдеттегі шешімдер қымбат, толық емес немесе жеке болады.
Қымбат шешім — әр тілге бөлек аудармашы. Тіпті әр тілге бір-бірден болса да, бұл кабина, қабылдағыштар жиыны және залдағы әр тіл үшін маман дегенді білдіреді, ал мамандар бір нәрсені бірдей айтпайды. Әр аудармашы уақыт қысымында өз таңдауын жасайды: терминге қай сөзді қолдану, нені қысқарту, спикер жылдамдаса нені тастау. Қарапайым баяндамада бұл айырма әдетте маңызды емес. Заңдық тыңдауда, кеңес дауысында немесе техникалық брифингте ол маңызды: анықталған термин, дозировка немесе бап француз тыңдаушыларына бір мағынада, араб тыңдаушыларына басқа мағынада жетуі мүмкін, ал залда ешкім мұны байқай алмайды. Ішінара шешім — бір экрандағы субтитр жолағы, тек бір екінші тілде. Жеке шешім — залдағы әр адамның телефонын көтеріп тұруы: әр телефон дәл емес транскрипт береді, олардың әрқайсысы бір-біріне сәл сай келмейді, ал телефон эхоны да, жөтелуді де спикердің дауысындай анық естиді.
Балама — спикерді таза көзден бір рет транскрипциялап, сол бір транскриптті тыңдаушылар қажет ететін барлық тілге аудару, сонда әр тіл бірдей сөздерден басталады, ал әр тыңдаушы тілді өз құрылғысында өзі таңдайды. Жиын аяқталғанда жазба сақталады. Төменде хост пен тыңдаушының әрқайсысы мұны қалай баптайтыны және оның құны қанша екені бар.
Тікелей транскрипция кез келген құрылғыдағы микрофонды, серверге URL мен стрим кілтін қабылдайтын OBS немесе басқа энкодердің RTMP ағынын, YouTube тікелей эфирін, интернет радио станциясын немесе ағынды беретін кез келген URL-ды тыңдай алады. Ағын үшін VocalStack аудионы өзі тартып алады; сіздің жағыңызда ештеңе жұмыс істемейді.
Ағын көзі кез келген баптаудан маңызды. Залдағы микрофон немесе үстелдегі телефон спикерді және залды бірге естиді: қабырғадан, орындықтардан, тыңдаушылардан шағылысқан жаңғырық. Дауыс бөлме шуына қарағанда әлсіреген сайын сөйлеуді тану күрт нашарлайды, сондықтан сол елу телефон бір-бірімен келіспейді. Араластыру пультінен алынған ағында спикердің өз микрофоны бар, бөлменің аз бөлігі ғана болады, сондықтан транскрипт залды емес, спикерді ұстайды. Егер залда пульт болса, ағынды содан алыңыз.
Сөйлеу тілі автоматты түрде анықталады, ал спикер кез келген уақытта тілін ауыстыра алады; оны алдын ала көрсету шулы жазбаларда және қатты акценті бар сөйлеушілерде көмектеседі. Спикер белгілері өшірулі, қосулы немесе When Needed күйінде болуы мүмкін, ол екінші спикер естілгенде оларды қосады. Аудио келе бастағаннан кейін тыңдаушыларға оны табатын жер керек.
Трансляция — бұл сілтеме: бір мекенжай және QR-код, оны тыңдаушылар сканерлеп, тікелей аударманы ашып, тілін таңдайды. Сілтеме берген атыңыздан жасалады. Трансляцияны кейін қайта атасаңыз, ескі сілтеме жұмыс істей береді, сондықтан бағдарламаға басылған QR-код ескірмейді.
Трансляция әдепкі бойынша ашық: сілтемесі бар кез келген адам оны аша алады. Оны жекеге айналдырып, пароль орнатсаңыз, тыңдаушылардан транскрипт көрінер алдында пароль сұралады.
Бір трансляцияға бірнеше тікелей транскрипция беруге болады, сондықтан екі сахнасы бар конференцияда бір ғана сілтеме бөлісіледі. Сілтеме адамдарды жинайды; ал оларды ұстап тұратын нәрсе — атауларды дұрыс жазу.
Сөйлеуді тану жүйелері адамдардың әдетте қалай сөйлейтініне үйретілген, сондықтан дыбыс күмәнді болғанда ол жиі кездесетін сөзге бейім тұрады. Өнім атауы, тегі, елді мекен, химиялық зат — әрқайсысының жиі кездесетін дыбыстас сөзі бар, және тану жүйесіне сирек сөз келе жатқаны айтылмаса, сол шығады. Міне, скрипт осы үшін керек. Басталар алдында скрипт немесе слайд қосыңыз: ондағы атаулар мен терминдер естілген сөзден басым болады. Мамандандырылған баяндамада тану әдетте осы атауларда және терминдерде қателеседі. Жазба барысында Script қойындысы телепромптер сияқты жүреді, айтылған сөздерді жарықтандырып отырады.
Міне, бүкіл баптау осы. Сілтеменің арғы жағында тыңдаушы үшін одан да аз жұмыс бар.
Тыңдаушыға сілтеме немесе QR-код және телефон керек. Ол сілтемені браузерде ашады және хост жазуды бастамайынша Трансляция әлі басталған жоқ хабарламасын көреді, содан кейін Тікелей эфир. Бірінші жол бір сәттен кейін шығады. көрінеді. Ол хост таңдаған тілдер тізімінен таңдайды (транскрипция үшін 10-ға дейін, қолжетімді 100-ден) және спикер сөйлеп жатқанда транскриптті оқиды. Хост өз тілінде сөйлей береді. Тыңдаушы кез келген уақытта тілді ауыстыра алады; осы уақытқа дейінгі транскрипт жаңа тілде қайта көрсетіледі.
Тыңдаушы тыңдауды қаласа, әр аударылған жол дыбыстап оқылады. Әдепкіше әр спикерге жынысына сай келетін бөлек стандартты дауыс беріледі, сондықтан панель әлі де панель сияқты естіледі.
Үш кезең реттік түрде өтеді, және әр кезең алдыңғысын күтеді. Тану сөздерді анықтау үшін сөйлеудің біраз бөлігін қажет етеді, сондықтан транскрипт спикерден бір бөлік секундқа кешігеді. Аударма бүкіл сөз тіркесін қажет етеді, себебі тілдер арасында сөз реті әр түрлі, ал сөйлем соңы басын өзгерте алады, сондықтан ол бір-екі секундқа кейін келеді. Сөйлеу аударылған сөйлем дайын болғанда ғана басталады, сондықтан дыбысталған жол соңында келеді. Бұның ешқайсысы жөндеуді қажет ететін ақау емес; бұл осы үш әрекетті орындайтын кез келген жүйенің қажетті түрі, оның ішінде ауызша аудармашының да, ол да етістікті күтеді.
Спикердің рұқсатымен хост спикердің жеке сөйлеген отыз секундтық үлгісінен дауысын клондай алады (MP3, M4A немесе WAV; бірнеше минут жақсырақ). Аударма содан кейін әр тілде спикердің өз дауысымен оқылады. Дауысты оның құрылымындағы биометриялық деректер ретінде қараңыз. GDPR бойынша адамды тану үшін өңделетін дауыс деректері әдетте 9-баптың ерекше санаттарына жатады, ал кейбір АҚШ штаттары, соның ішінде Иллинойс, дауыс ізін (voiceprint) бөлек реттейді. Үлгі жазылмай тұрып спикердің айқын келісімін алыңыз, кейін емес; дауысты кез келген уақытта жоюға болады. Дауыс клондау спикерді де тіркейді, сондықтан болашақ жазбаларда оның аты белгіленеді. Хост әр спикерге дауыс тағайындай алады немесе бір спикердің дыбысын өшіре алады.
Кешігіп келген тыңдаушы келгенге дейін айтылған бәрін көреді, содан кейін тікелей жүреді. Байланыс үзілсе, қайта қосылғанда бет өзі-өзі жетеді. Хост үзіліс жасағанда тыңдаушылар Кідіртілді. Хост жалғастырғанда транскрипт жалғасады. хабарламасын көреді. Хост тоқтатқанда бет жазбаның күнін және ұзақтығын көрсетеді, ал трансляция өткен жазбаларын қайта тыңдау үшін тізімдейді.
Тыңдаушы тек қозғалтқыш естігенін ғана оқи алады, ал тікелей тану оның бір бөлігін дұрыс танымайды.
Хост экранында дәл осы үшін арнайы Fix қойындысы бар. Mark uncertain words батырмасы қозғалтқыш күмәнданған сөздерді бояйды және астын сызады; Click to correct түзету үшін жолды ашады. Қойынды күмәнді бөліктер арқылы бірінен соң бірін өткізеді, сондықтан спикер сөйлеп тұрғанда үстелдегі екінші адам олармен жұмыс істей алады.
Хост сөзді немесе жолды қайта жазса, тіпті әлі айтылып жатқан жолды болса да, әр тыңдаушы түзетуді көреді. Сенімділігі тым төмен жол тыңдаушыдан Audio unclear ретінде жасырылады, дұрыс емес күйде көрсетілмейді; хост барлық сөзді әлі де көреді. Бос орын — мәлім олқылық, ал сенімді түрде айтылған қате сөз — өсек.
Бұл түзетулер баяндама аяқталғаннан кейін жоғалмайды.
Бәрі сақталады. Жазба, түзетулері мен аудармалары бар транскрипт және аудио хосттың кітапханасына түседі. Қайта ойнату оны келген пішінінде, жол-жолмен, аудиосымен қайта ойнатады. Сөздер соңғы болған соң, барлық тілде тақырып пен қорытынды жазылады, ал хост экранының Қорытынды және Экспорт қойындылары оларды іс-шарадан бірден шығарады.
Экспорт SRT субтитрлері, PDF, Excel немесе JSON форматында жасалады, түзетулер мен аудармалар ішінде; ал аудио MP3 ретінде жүктеледі. Әр транскрипттен кез келген тілде іздеуге болады.
Audience көрінісінде кімнің тыңдағаны, қай тілде және қашан қосылғаны көрсетіледі: көбіне ұйымдастырушы кім қай тілді қажет еткенін алғаш рет нақты санай алады. Ол дейін әдеттегі бағалау — ағылшын тілінде аударма керек пе деп сұралғанда қолын көтергендер санынан шығатын. Тыңдаушы идентификаторлары жазбамен бірге жойылады.
Сөйлеуді тану, спикерді тану және дауыстық синтез біз басқаратын серверлерде жұмыс істейді, ал аудиоңыз өңдеу үшін үшінші тарапқа жіберілмейді. Біз сіздің аудиоңызды, транскрипттеріңізді немесе дауыстарыңызды модельдерді оқыту үшін пайдаланбаймыз.
Деректерді сақтау тарифке байланысты: Pay as you go тарифінде бастапқы аудио мен дауыстар 7 күн, транскрипциялар 30 күн сақталады; Premium және Enterprise тарифтерінде олар аккаунт өмір сүрген кезде сақталады. Тариф шешетін екінші нәрсе — төлем сомасы.
Екі сан маңызды. Pay as you go және Premium тарифтерінде тікелей транскрипция аудионың сағатына $0.60 құрайды, секундтық есеппен, әр транскрипция үшін 5 минуттық минимуммен, Басқару тақтасында да, API арқылы да бірдей; Enterprise көлемдік бағаға ие. Тыңдаушылар мен тілдер тегін: бес тілде оқылған бір сағаттық іс-шара екі жүз адамға $0.60 тұрады. Файлдар арзанырақ (сағатына $0.20), себебі тікелей транскрипция бүкіл іс-шара бойы нақты уақытта жұмыс істейді. Тарифтер бір мезгілдегі сессиялар санында, жазбаның ең ұзақ ұзақтығында және іске қосылу жылдамдығында ерекшеленеді; Pay as you go тарифінде суық іске қосылу 15 секундқа дейін созылуы мүмкін, сондықтан спикер басталғанға дейін жазуды сәл алдын ала басыңыз, шамамен «Артқы қатарда отырғандар мені естіп тұр ма?» дегенге дейін. Толық кесте бағалар бетінде.
Басты бетте екі телефонды демо бар, ал Басқару тақтасында жаңа аккаунтқа $5 тіркелу кредиті беріледі және карта қажет емес. Тікелей тариф бойынша бұл кредит сегіз сағаттан астам трансляцияға жетеді.
Мұны әркімнің телефонына орнатылған тікелей аударма мүмкіндігімен салыстырып жатырсыз ба? Оқыңыз: неге бөлме үшін телефон жеткіліксіз. Толық іс-шара үшін көп тілді конференция тексеру тізімі аудио жолын, бір сілтемедегі бірнеше кезеңді және бюджетті қамтиды. Әзірлеушілер осының бәрін кодтан API анықтамасы арқылы, сол бағамен жасай алады.
