Тікелей аударманың дәлдігі негізінен кез келген модель іске қосылғанға дейін, микрофонның қай жерде тұрғанына байланысты шешіледі. Дыбысты аралас пульттен алыңыз, он екінші қатардағы орыннан емес, оны бір рет транскрипциялаңыз, сонда қате бәріне түзетуге болатын бір жолға айналады.
Телефондарға орнатылған аударма қолданбалары — шынайы жетістік. Олар көбінесе құрылғыға және оның батареясына сыятындай шағын сөйлеу моделін іске қосады (кейбіреулері байланыс болғанда аудионы серверге береді), ал қысқа, анық, күнделікті сөйлемдерде олар өз міндетін атқарады: бағыт сұрау, мәзірді оқу, сауда үстелі арқылы сөйлесу.
Бір спикерді тыңдайтын адамдар толтырылған зал — басқа мәселе. Нақты сөйлеуде не қате кететінін шағын модель ең нашар шешеді: сирек кездесетін сөздер мен есімдер, дауыстары ұқсас сөздер («their» мен «there», «sail» мен «sale»), терминдер, акценттер, адамдардың бір-бірінің үстінен сөйлеуі және фондық шу. Желкен спорты клубында «sale» деп естіген модель ақылға қонымды болжам жасады, бірақ сенімді түрде қате жасады.
Екі нәрсе шағын модельді үлкенінен гөрі көбірек болжауға мәжбүр етеді. Ол телефонға сыйсын деп қысылған, сондықтан аз сөзді және оларды айтудың аз тәсілін біледі; танымаған тегін дыбыстар арқылы ғана жуықтап алады. Ал тікелей тану сөйлемнің қалған бөлігі келмей тұрып сөзге бекітуі керек, сондықтан модель «sail» пен «sale» арасында шешуге көмектесетін келесі сөздерді немесе баяндама туралы алдын ала берілген сценарийді пайдалана алмайды. Сөйлеуді тану тілінде контекст дәл осы екі нәрсені білдіреді: айналадағы сөздер және алдын ала белгілі нәрселер.
Модель сенімсіз болғанда, ол болжайды. Аударма сол болжамға негізделеді, ал оқушы бұл туралы ештеңе біле алмайды. Залдағы ешкім сөйлемнің қате екенін көре алмайды, оны түзетуге де мүмкіндігі жоқ. Ал зал бір тыңдаушы емес, елу адам.
Телефон спикерді емес, залды естиді. Себебі — қашықтық: петличка немесе үстел микрофоны ауыздан бірнеше сантиметр жерде тұрады, ал он екінші қатардағы телефон он метр немесе одан да алыс жерде, оған жеткен дыбыстың көбі алдымен қабырғалардан, төбеден және орындықтардың арқасынан шағылысады. Шағылысқан дыбыс кешігіп және бұзылып келеді. Оның үстіне телефон екі қатар артындағы адамның жөтелуін, көршінің сыбырын және дауыс күшейткіштердің дауысты залдың арғы жағына жеткізгенде оған не істейтінін де жазып алады. Әр орын басқаша жазба алады, сондықтан әр орын басқаша транскрипт алады.
Телефон тек бір адамға аударады. Елу қатысушы елу телефонды көтерсе, бір баяндаманың елу тәуелсіз транскриптін алады, ал олардың қателері де әртүрлі болады. Кейін екі адам жазбаларын салыстырса, айтылғанға келіспейтіні анық. Ал спикер көтерілген телефондар қабырғасына сөйлеп тұр — бұл оқу қиын аудитория.
Залдағы кейбір адамдар үшін бұл ыңғайсыздықтан да көп нәрсе: баяндаманы толық түсіне ала ма, соны шешеді. Есту қабілеті нашар қатысушы немесе үшінші тілде еретін адам елу жақсы әрекеттің орнына бір дұрыс ортақ мәтінді қажет етеді. Яғни спикерді бір рет транскрипциялап, барлығына бірдей нәтиже беру керек. Бір рет транскрипциялаудың пайдасы тек жақсы орындалса ғана болады, ал бұл аудионың қайдан келетінінен басталады.
Транскрипт тек оны жасаған аудио сапасындай жақсы болады. Сондықтан бірінші шешім қандай модельді таңдау емес, қандай сигналды беру. Екіншісі — модель іске қосылар алдында оған не айту.
Тікелей транскрипция аудиосын таза сигнал дайын тұрған жерден алады:
VocalStack URL ағынын өзі алады, сондықтан сіздің жағыңызда ештеңе іске қосылмайды. RTMP ағыны керісінше жұмыс істейді: оны сіздің кодтаушыңыз жібереді. Спикердің тілі автоматты түрде анықталады, ал ол кез келген уақытта тілін ауыстыра алады. Егер тілді білсеңіз және жазба шулы немесе акценті қатты болса, оны атау дәлдікті арттырады.
Таза аудио залдан туындайтын қателерді жояды. Бірақ сөздік қорымен байланысты қателерге ол көмектеспейді, оларға басқа түрдегі көмек керек.
Телефонға спикер кім екені немесе баяндама не туралы екені белгісіз, сондықтан өнім атауы немесе тегі жуықтап алынатын тағы бір дыбыс қана. Трансляцияға бастамас бұрын не күтетінін айтуға болады.
Бастамас бұрын сценарий немесе слайдтар қоссаңыз, онда бар есімдер мен терминдер модель естігеннен басым түседі. Жазба барысында Script қойындысы спикерді телесуфлер сияқты ілесіп отырады. Конференциялар мен дәрістерді толтыратын сөйлеуде бұл дәлдікке ең үлкен әсер етеді: онда жалпы модель жиі естімеген есімдер мен сөздер көп.
Таза аудио мен глоссарий қателердің көбін жояды. Енді қалған қателермен не болатыны маңызды.
Таза аудио мен сценарий болса да кейбір жолдар бұрыс шығады. Айырмашылық — одан кейін не болатынында.
Телефонда ешнәрсе болмайды. Бұрыс жол өтіп кетеді, оған негізделген аударма да бірге кетеді.
Трансляцияда тыңдаушыларға көрсетуге тым түсініксіз жол факт ретінде ұсынылмай, «Audio unclear» деп жасырылады.
Одан әрі хостта Fix қойындысы бар: механизм сенімсіз болған сөздер бояліп, астын сызылады, жолды тексеру үшін басқанда ашылады, ал тікелей транскрипция әлі жүріп жатқанда кез келген сөз немесе жол қайта жазылуы мүмкін. Әр тыңдаушы түзетуді өз тілінде көреді. Әр түзету белгіленеді және кері қайтарылуы мүмкін.
Мәселе сервердің қателеспеуінде емес. Мәселе — қате көрінетін, оны залдағы біреу иеленетін және бір рет барлығы үшін түзетілетін болуында.
Түзетулер тыңдаушылар оқитын мәтінді ғана түзетеді. Баяндаманы тыңдағысы келетін тыңдаушылар дәл сол түзетілген мәтінді дауыстап естиді.
Оқудан гөрі тыңдағысы келетін тыңдаушы әрбір аударылған жолды дауыстап оқытуға болады. Әдепкіде әр спикерге жынысына сай бөлек стандартты дауыс беріледі, сондықтан панель әлі де панель болып естіледі. Әр спикерге дауыс тағайындауға немесе бірін өшіруге болады.
Иесінің келісімімен одан да әрі баруға болады: спикердің сөйлеуінің отыз секундынан дауысын клондауға болады — клип түрінде жүктелген немесе жазбадағы спикерден тікелей алынған. Бірнеше минут беру жақсырақ нәтиже береді. Аударма сонда барлық тілде спикердің өз дауысымен оқылады. Сақталған дауысы бар спикерді кейінгі жазбаларда да танып алуға болады, дегенмен жүйе қате адамның атын атаудан гөрі спикерді атаусыз қалдырғанды қалайды.
Екі ереже бар, және олар әдейі жасалған. Клондалған дауыс — биометриялық дерек: ол тек спикердің айқын келісімімен жасалады және кез келген уақытта жойылуы мүмкін. Ал дауыс тек транскрипт немесе оның аудармасын ғана айтады; оны иесі айтпаған нәрсені айтқызу мүмкін емес.
Осының бәрі спикер сөйлеп тұрғанда болады. Соңғы айырмашылық ол тоқтағаннан кейін байқалады.
Елу телефонның транскрипті қолданбалар жабылғанда жоғалады. Трансляция жазбаны кітапханаңызда сақтайды: аудиосын, әр түзетуі мен аудармасы бар транскриптті. Онда оны жол-жолымен қайта ойнатуға, кез келген тілде іздеуге және экспорттауға болады; кітапхананың не істейтінін Бір сілтеме, барлық тілдер нұсқаулығы түсіндіреді. Тыңдаушылар қанша болса да, олар үшін ақы алынбайды. Сіз тікелей эфир үшін транскрипцияланған аудио үшін сағатына $0.60 төлейсіз, әр транскрипцияға 5 минуттық минимум бар, ал тариф кестесі бағалар бетінде берілген.
Телефон әр қолда болғанда да сөйлесуге арналған қосалқы құрал ретінде жақсы. Ал бір спикерді бірге түсінуі керек залға арналған мәселе үшін спикер бастапқы көзден бір рет транскрипциялануы және бірдеңе дұрыс болмаса, оны түзете алатын адам болуы керек. Мұның қалай көрінетінін басты беттегі интерактивті демода көруге болады.
