Нақты уақыттағы транскрипция мен аударма: тікелей сөйлеуді мәтінге айналдыру қалай жұмыс істейді, қаншалықты кешігеді, дәлдікке не әсер етеді және қанша тұрады.
Нақты уақыттағы транскрипция адам әлі сөйлеп жатқанда сөйлеуді мәтінге айналдырады. Сөздер айтылғаннан кейін бір сәтте экранда пайда болады, түпкілікті жолдарға айналады және бақылап отырған кез келген адам оқи алады. Нақты уақыттағы аудармамен қосқанда, әр оқырман сол сөйлеуді өз тілінде, мәтін ретінде немесе дауыстап оқылған күйінде бақылай алады.
Бұл нұсқаулық нақты уақыттағы транскрипция мен аударманы екі жақтан қарастырады: тыңдаушы не көреді, дыбыс қайдан келе алады, дәлдікті не анықтайды, әзірлеушілер API-дан не алады және оның құны қанша.
Нақты уақыттағы транскрипция, ол тікелей транскрипция немесе тікелей сөйлеуді мәтінге айналдыру деп те аталады, дыбыс әлі келіп жатқанда жұмыс істейтін сөйлеуді тану. Жазылған файлды бүкіл жазба қолда тұрып транскрипциялауға болады. Тікелей транскрипция сөздерді тек соңғы бірнеше секундқа сүйеніп шешуге және спикер сөйлеп тұрған кезде оған ілесіп отыруға тиіс.
Тікелей субтитрлер де сол нәрсе, тек бейненің үстінде немесе экранда қысқа жолдар ретінде көрсетіледі.
VocalStack-те тікелей транскрипция 100 тілде тыңдай алады. Ол сөйлеу тілін өзі анықтайды және спикер ауысса, соңынан ереді, мұны автоматты тіл анықтау қалай жұмыс істейді түсіндіреді, тілді қашан алдын ала көрсету керектігін де қосып.
Мәтін екі кезеңмен келеді. Ең жаңа сөздер алдымен қаралама ретінде шығады, ол көбірек дыбыс келген сайын әлі өзгеруі мүмкін. Бір сәттен кейін қаралама енді өзгермейтін түпкілікті жолға орнығады.
Қаралама бар, себебі танығыш сөзді ішінара одан кейін не келетініне қарап шешеді. «Ice cream» және «I scream» келесі сөз келгенше бірдей естіледі. Болжамды ерте көрсету транскрипттің тікелей екенін сездіреді.
Мәтіннің спикерден қаншалықты кешігетіні кезеңге байланысты:
Екі кідіріс бұл тізбектен тыс жатыр. Дереккөз микрофон емес, жария ағын болса, ағынның өзі тікелей шетінен кешігеді: қарапайым интернет-радио ағынында бір-үш секунд, ал HLS үшін бірнеше секундтан жарты минутқа дейін. Және Pay as you go жоспарында тікелей транскрипция іске қосылуға 15 секундқа дейін алуы мүмкін. Auto, Fast және Accuracy кідіріс режимдерін қоса толық талдау тікелей аударманың кідірісі түсіндірілді мақаласында.
Аударма транскрипттің үстінде жұмыс істейді. Тікелей транскрипцияны 100 тілдің ішінен таңдалған 10 тілге дейін бір мезгілде аударуға болады. Әр тыңдаушы солардың бірін өз құрылғысында таңдайды және оны кез келген уақытта өзгерте алады; осы уақытқа дейінгі транскрипт жаңа тілде қайта көрсетіледі.
Әр тіл бір транскриптен аударылады, сондықтан әр тыңдаушы бірдей сөздерді алады, ал түзету бәріне жетеді.
Оқығаннан гөрі тыңдағанды қалайтын тыңдаушы әр аударылған жолды дауыстап оқытуға болады. Әдепкі бойынша әр спикерге жынысына сәйкес келетін бөлек стандартты дауыс беріледі, сондықтан панель әлі де бірнеше адам сияқты естіледі. Спикердің келісімімен жүргізуші оның дауысын жалғыз сөйлеген шамамен 30 секундтан клондай алады, ал аударма содан кейін оның өз дауысымен оқылады.
Дауыстарға қатысты ереже әдейі тар. Дауыс тек сол адам айтқанды, тыңдаушы таңдаған тілге аударылған күйінде оқиды. Ол біреу теріп енгізген мәтінді ешқашан оқымайды және бір спикердің сөздерін басқасының дауысымен ешқашан оқымайды.
Мұның бүкіл зал үшін қалай жұмыс істейтіні, жүргізушінің баптауынан бастап кеш келген адамға дейін, бір сілтеме, әр тіл мақаласында.
Тікелей транскрипцияға дыбыс көзі керек. VocalStack бүгін мыналарды қабылдайды:
YouTube-тың өз ойнатқышының ішіндегі, оның CC түймесі арқылы субтитрлер жақында. Оған дейін YouTube ағынын көрермендер субтитрлерді трансляция сілтемесінде бақылайды.
Бүгін Windows-та тікелей транскрипция керек болса, онда Chrome немесе Edge кеңейтімі, OBS плагині және браузердегі басқару тақтасы жұмыс істейді.
Трансляция басқа адамдардың тікелей транскрипцияны бақылау тәсілі. Ол бір сілтеме мен QR-код. Тыңдаушылар оны браузерде ашады, тілді таңдайды және оқиды. Оларға аккаунт керек емес, ештеңе орнатпайды және ештеңе тұрмайды: шот тыңдаушылар мен тілдер санымен өзгермейді.
Трансляция әдепкі бойынша ашық және оны парольмен қорғауға болады. Сілтемесінің атын өзгертсеңіз, ескісі жұмыс істей береді, сондықтан бағдарламаға басылған QR-код ескірмейді. Бір трансляция бірнеше тікелей транскрипцияны көтере алады, сондықтан екі сахна бір сілтемені бөлісе алады.
Кеш келген тыңдаушы өзі келгенге дейін айтылғанның бәрін көреді, содан кейін тікелей бақылайды. Кейін Audience көрінісі кім тыңдағанын, қай тілде және қашан қосылғанын көрсетеді.
Іс-шаралар үшін көптілді конференция бақылау парағы дыбысты, сахналарды және бюджетті қамтиды, ал шіркеулерге, дәрісханаларға және кеңес залдарына арналған тікелей транскрипциялау сол баптаудың апталық нұсқасын қамтиды.
Жоғарыда айтылғанның бәрін кодтан жасауға болады. Өз қолданбаңыздағы тікелей дыбыс үшін API-да нақты уақыттағы сессиялар бар: серверіңіз API кілтімен POST /v1/realtime/sessions сұранысын бір рет жасайды да, қысқа мерзімді streamUrl алады. Клиентіңіз оған WebSocket ашады, жазылған сайын шикі дыбысты жібереді және транскриптті JSON кадрлары ретінде оқиды.
Кадрлар оқырман көретін сол екі кезеңді қайталайды. transcript.draft тікелей соңын ауыстырады, transcript.committed түпкілікті жол қосады, ал аударма қосулы болса, тұтас сөйлемдер аудармаларымен бірге келеді. Мақсатты тілдерді, спикер белгілерін және кідіріс режимін сессия кезінде session.update арқылы өзгертуге болады.
Нақты уақыттағы сессия ештеңе сақтамайды. Сөздердің сақталуын, түзетілуін және аудиториямен бөлісілуін қаласаңыз, оның орнына дыбысты тікелей транскрипция мен трансляцияға жариялайсыз. TypeScript, Python және PHP үшін ресми SDK-лар екеуін де орайды, ал MCP сервері жасанды интеллект көмекшісіне сол аккаунтты пайдалануға мүмкіндік береді.
WebSocket нұсқаулығы жұмыс істейтін субтитр көрінісін қадамдап құрады, ал API анықтамасында әр өріс бар. API қолданысы басқару тақтасымен бірдей мөлшерлемемен есептеледі.
Дәлдік көбіне кез келген танығыш жұмыс істеместен бұрын, оған берілген дыбыспен анықталады. Төрт нәрсе ең көп айырма жасайды.
Микрофон. Спикерге жақын микрофон немесе орынның араластыру пультінен алынған ағын дауысты бөлменің аз бөлігімен ғана жеткізеді. Үстелдегі телефон спикерді қосып жаңғырықты, орындықтарды және жөтелді естиді. Бұл ең үлкен жалғыз фактор, ал неге телефон зал үшін жеткіліксіз себебін түсіндіреді.
Шу және қабаттасу. Фондық шу сөздердің түсіп қалуына және ойдан шығарылуына әкеледі, ал бір мезгілде сөйлеген екі адам сөздерді де, оларды кім айтқанын да шатастырады. Аудио транскрипциялау қателері жеті жиі себепті, әрқайсысы қалай көрінетінін және қалай түзетілетінін тізеді.
Анықтамалық скрипт. Белгілі есімдер мен терминдер өз күйінде танылады. Компанияның өнім атаулары, ішкі аббревиатура немесе қонақтың ерекше тегін алдын ала білу мүмкін емес, сондықтан бастамас бұрын скрипт немесе слайдтар қосыңыз, сонда олардағы есімдер мен терминдер дәл сіз жазғандай жазылады.
Спикер белгілері. Белгілер Off, On немесе екінші спикер естілгенде оларды қосатын When Needed болуы мүмкін. Спикер диаризациясы мен сөйлеуді тануды салыстыру екі жауаптың, не айтылғаны мен оны кім айтқанының, бөлек екенін және бөлек түзетілетінін түсіндіреді.
Кідіріс режимі де маңызды: Fast мәтінді ертерек шығарады, бірақ оның көбін қайта қарайды, Accuracy сәл ұзағырақ күтеді.
Жалғыз дәлдік саны көрінгеннен аз нәрсе айтады. Сөздердің қате деңгейі қате есімді түсіп қалған «the» сөзімен бірдей санайды, сондықтан сөздердің қате деңгейі нені өлшейді және нені өткізіп жібереді жүйені оның қандай қателерді ұстап, түзетуге мүмкіндік беретініне қарап бағалауды жақтайды.
Ешбір тікелей транскрипт мінсіз емес, сондықтан жүргізуші экранында Fix қойындысы бар. Ол танығыш күмәнданған сөздерді белгілей алады, ал кез келген жолды ашып түзетуге болады. Пульттегі екінші адам спикер жалғастырып жатқанда оларды қарап шыға алады.
Жүргізуші сөзді немесе жолды, тіпті әлі айтылып жатқанын қайта жазғанда, әр тыңдаушы түзетуді әр тілде көреді. Тым аз сенімділікпен естілген жол қате көрсетілмей, тыңдаушылардан «Audio unclear» ретінде жасырылады; жүргізуші оны әлі көреді.
Жазба транскриптімен, түзетулерімен және аудармаларымен бірге сақталады. Кейін сіз мыналарды жасай аласыз:
Аудио мен транскрипттердің қанша сақталатыны жоспарға байланысты, ал бағалар бетінде ол көрсетілген.
Тікелей транскрипция құралдарының көбі демода бірдей көрінеді; айырмашылықтар төмендегі сұрақтарда байқалады. Оң жақ баған VocalStack-ті бүгінгі күйінде сипаттайды.
| Сұрақ | Неге маңызды | VocalStack |
|---|---|---|
| Қай тілдерді тыңдай алады? | Спикердің тілін транскрипциялай алмайтын құрал, аудармасы қаншалықты жақсы болса да, көмектеспейді. | 100 тіл, автоматты анықталады, сөйлеу кезінде ауысады |
| Мәтін спикерден қаншалықты кешігеді? | Оқырмандар кездейсоқ қате сөзден гөрі өсіп келе жатқан алшақтықты көбірек байқайды. | Түпнұсқа мәтін секундтың бір бөлігіне кешігеді, аударма бір-екі секундтан кейін; үш кідіріс режимі |
| Аударады ма және тілді кім таңдайды? | Бір экрандағы бір субтитр тілі қалғандарының бәрін сыртта қалдырады. | Транскрипцияға 10 тілге дейін, әр тыңдаушы өзінікін таңдайды |
| Аударманы дауыстап оқи ала ма? | Кейбір тыңдаушылар оқи алмайды немесе оқығысы келмейді. | Әдепкі бойынша стандартты дауыстар; келісімімен спикердің өзінің клондалған дауысы |
| Аудитория оны қалай алады? | Қолданбалар мен аккаунттар адамдарды есік алдында жоғалтады. | Бір сілтеме және QR-код, аккаунтсыз, қосымша пароль |
| Қателерді тікелей түзетуге бола ма? | Бір сағат қайталанған қате естілген есім нақты зиян келтіреді. | Әр тыңдаушыға жеткізілетін тікелей түзетулер |
| Дыбыс қайдан келе алады? | Баптауыңыз құралға сай болу үшін өзгеруге тиіс емес. | Микрофон, браузер кеңейтімдері, компьютерге арналған қолданба, OBS, RTMP, ағын сілтемелері |
| API бар ма? | Субтитрлерді өз өніміңіздің ішінде алғыңыз келуі мүмкін. | REST және WebSocket API, SDK-лар, MCP сервері, басқару тақтасымен бірдей мөлшерлеме |
| Бағасы қалай есептеледі? | Тыңдаушы немесе орын бойынша баға аудиторияңызбен бірге өседі. | Дыбыс секундына; тыңдаушылар мен тілдер тегін |
VocalStack-те сіз транскрипцияланған дыбыс секундына төлейсіз. Жазу кезінде тікелей транскрипция сағатына $0.60, ал файлдар сағатына $0.20 тұрады, әр жоспарда, басқару тақтасында да, API арқылы да бірдей. Аударма, дауыстар, қысқаша мазмұн, трансляция және тыңдаушылар шотқа ешқашан ештеңе қоспайды, сондықтан 200 адам бес тілде оқыған бір сағаттық баяндама оны ешкім оқымаған баяндамамен бірдей $0.60 тұрады.
Жоспарлар бірнеше жағынан ерекшеленеді:
Ол болып жатқанда ешкімге оқудың қажеті болмаса, жазбаны кейін файл мөлшерлемесімен жүктеңіз. Әр жоспардың ағымдағы бағалары, сақталу мерзімі және шектеулері бағалар бетінде.
Жаңа VocalStack аккаунтына $5 тіркелу кредиті беріледі және карта қажет емес. Сағатына $0.60 болғанда бұл аударма мен трансляциясы кіретін шамамен сегіз сағаттық тікелей транскрипция. Содан кейін секундына төлейсіз. Тыңдаушылар әрқашан тегін.
Иә. Тікелей транскрипцияны адам сөйлеп жатқанда 10 тілге дейін бір мезгілде аударуға болады. Аударма түпнұсқа мәтіннен бір-екі секундтан кейін пайда болады, ал әр тыңдаушы өз тілін таңдайды.
Ол көбіне дыбысқа байланысты. Жақын микрофон немесе пульттен алынған ағын, аз фондық шу, бір мезгілде бір адам сөйлеуі және есімдері бар анықтамалық скрипт ең жақсы нәтиже береді. Тікелей түзетулер баяндама жалғасып жатқанда жүргізушіге әлі қате нәрсені түзетуге мүмкіндік береді.
Түпнұсқа тілдегі мәтін спикерден секундтың бір бөлігіне кешігеді, ал аудармалар бір-екі секундтан кейін ілеседі. Жария ағын дыбыс VocalStack-ке жеткенше өз кідірісін қосады.
Иә, Chrome немесе Edge кеңейтімі, OBS Studio плагині немесе браузердегі басқару тақтасы арқылы. Компьютерге арналған қолданба бүгін macOS-та, Windows жақында.
Жоқ. Тыңдаушылар трансляция сілтемесін ашады немесе оның QR-кодын браузерде сканерлейді, тілді таңдайды және оқиды. Орнататын ештеңе жоқ.
Басқару тақтасын ашып, микрофоннан тікелей транскрипция бастаңыз да, оның трансляция сілтемесін телефоннан ашыңыз. Тіркелу кредиті алғашқы сағаттарыңызды жабады, ал қараламалардың орнығып, аударманың соңынан ілесетінін өзіңіз көре аласыз.