ಮಾತು, ಈಗ ಸುಲಭ

ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳು

ನನ್ನ ಫೋನಿನಲ್ಲೇ ಲೈವ್ ಅನುವಾದ ಇದೆ — ನನಗೆ VocalStack ಏಕೆ ಬೇಕು?

ಫೋನ್ ಒಂದು ಸಣ್ಣ ಸ್ಪೀಚ್ ಮಾದರಿಯನ್ನು ನಡೆಸುತ್ತದೆ, ಅದು ಸಾಧನ ಮತ್ತು ಬ್ಯಾಟರಿಯಲ್ಲಿ ಹೊಂದಿಕೊಳ್ಳಬೇಕು. ಅದು ಸಣ್ಣ, ಸ್ಪಷ್ಟ, ದೈನಂದಿನ ವಾಕ್ಯಗಳಿಗೆ ಸಾಕು. ಆದರೆ ನಿಜ ಮಾತಿನಲ್ಲಿ ತಪ್ಪಾಗುವ ವಿಷಯಗಳಿಗೆ ಅದು ಸಾಕಾಗುವುದಿಲ್ಲ: ಅಪರೂಪದ ಪದಗಳು ಮತ್ತು ಹೆಸರುಗಳು, ಒಂದೇ ರೀತಿ ಕೇಳಿಸುವ ಪದಗಳು (“their” ಮತ್ತು “there”, “sail” ಮತ್ತು “sale”), ತಾಂತ್ರಿಕ ಪದಗಳು, ಉಚ್ಚಾರಣೆಗಳು, ಒಬ್ಬರ ಮೇಲೊಬ್ಬರು ಮಾತನಾಡುವವರು ಮತ್ತು ಹಿನ್ನೆಲೆ ಶಬ್ದ. ಮಾದರಿ ಊಹಿಸುತ್ತದೆ, ಅನುವಾದವೂ ಆ ಊಹೆಯ ಮೇಲೆಯೇ ನಿಲ್ಲುತ್ತದೆ, ಮತ್ತು ಕೋಣೆಯಲ್ಲಿರುವ ಯಾರಿಗೂ ಅದು ತಪ್ಪು ಎಂದು ಕಾಣುವುದಿಲ್ಲ.

VocalStack ಸರ್ವರ್‌ಗಳಲ್ಲಿ ಚಲಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ಮಾದರಿಗಳು ಪೂರ್ಣ ಗಾತ್ರದವು, ಮತ್ತು ಗುರುತಿಸುವಿಕೆಯ ನಂತರ ಪ್ರತಿ ಸಾಲನ್ನೂ ಸಂದರ್ಭದೊಂದಿಗೆ ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ. ಮೊದಲು ಸ್ಕ್ರಿಪ್ಟ್ ಅಥವಾ ಸ್ಲೈಡ್‌ಗಳನ್ನು ಅಪ್‌ಲೋಡ್ ಮಾಡಿದರೆ, ಅದರಲ್ಲಿರುವ ಹೆಸರುಗಳು ಮತ್ತು ಪದಗಳು ತಪ್ಪಾಗಿ ಕೇಳಿಸಿದ್ದಕ್ಕಿಂತ ಮೇಲುಗೈ ಸಾಧಿಸುತ್ತವೆ. ಇನ್ನೂ ಏನಾದರೂ ತಪ್ಪಾಗಿ ಬಂದರೆ, ಲೈವ್ ಇರುವಾಗಲೇ ಆ ಸಾಲನ್ನು ಸರಿಪಡಿಸಬಹುದು, ಮತ್ತು ಪ್ರತಿ ಕೇಳುಗರೂ ತಿದ್ದುಪಡಿಯನ್ನು ನೋಡುತ್ತಾರೆ.

ಫೋನ್ ಭಾಷಣಕಾರರನ್ನಲ್ಲ, ಕೋಣೆಯ ಶಬ್ದವನ್ನು ಕೇಳುತ್ತದೆ, ಮತ್ತು ಒಬ್ಬ ವ್ಯಕ್ತಿಗೆ ಮಾತ್ರ ಅನುವಾದಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ಐವತ್ತು ಫೋನ್‌ಗಳು ಐವತ್ತು ವಿಭಿನ್ನ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್‌ಗಳನ್ನು ನೀಡುತ್ತವೆ. VocalStack ಮಿಕ್ಸಿಂಗ್ ಡೆಸ್ಕ್, ಸ್ಟ್ರೀಮ್ ಅಥವಾ ಮೈಕ್ರೊಫೋನ್‌ನಿಂದ ನೇರವಾಗಿ ಆಡಿಯೊ ತೆಗೆದುಕೊಂಡು, ಭಾಷಣಕಾರರನ್ನು ಒಮ್ಮೆ ಟ್ರಾನ್ಸ್‌ಕ್ರೈಬ್ ಮಾಡುತ್ತದೆ, ಮತ್ತು ಎಲ್ಲರೂ ಒಂದೇ ವಿಷಯವನ್ನು ತಮ್ಮ ಭಾಷೆಯಲ್ಲಿ ಓದುತ್ತಾರೆ ಅಥವಾ ಕೇಳುತ್ತಾರೆ. ಅನುವಾದವನ್ನು ಭಾಷಣಕಾರರ ಸ್ವಂತ ಧ್ವನಿಯಲ್ಲಿ ಜೋರಾಗಿ ಓದಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಕೇಳುಗರು ವೇದಿಕೆಯಲ್ಲಿರುವ ವ್ಯಕ್ತಿಯನ್ನೇ ಕೇಳುತ್ತಾರೆ, ಸಾಮಾನ್ಯ ರೋಬೋಟ್ ಧ್ವನಿಯನ್ನಲ್ಲ.

ಪ್ರತಿ ಕೇಳುಗರಿಗೆ ಶುಲ್ಕ ವಿಧಿಸಲಾಗುತ್ತದೆಯೇ? ಬೆಲೆ ನಿಗದಿ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ?

ಇಲ್ಲ. ಕೇಳುಗರು ಎಷ್ಟೇ ಇದ್ದರೂ, ಯಾವ ಭಾಷೆಯಲ್ಲಿ ಓದಿದರೂ ಕೇಳಿದರೂ ಉಚಿತ. ಟ್ರಾನ್ಸ್‌ಕ್ರೈಬ್ ಮಾಡಿದ ಆಡಿಯೊಗೆ ಸೆಕೆಂಡ್‌ಗೆ ಶುಲ್ಕ ಪಾವತಿಸುತ್ತೀರಿ, ಪ್ರತಿ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್‌ಗೆ ಕನಿಷ್ಠ 5 ನಿಮಿಷ, ಅಷ್ಟೇ ಒಟ್ಟು ಬಿಲ್: 10 ಭಾಷೆಗಳವರೆಗೆ ಅನುವಾದ, ಧ್ವನಿ ಅನುವಾದಗಳು, ಬ್ರಾಡ್‌ಕಾಸ್ಟಿಂಗ್, ಸಾರಾಂಶಗಳು ಮತ್ತು ಎಕ್ಸ್‌ಪೋರ್ಟ್‌ಗಳು ಸೇರಿವೆ.

ಬೆಲೆಗಳು ಮತ್ತು ಪ್ಲಾನ್‌ಗಳನ್ನು ನೋಡಿ

ಫೈಲ್‌ಗಳು ಮತ್ತು ಲೈವ್ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್‌ಗಳಿಗೆ ಬೇರೆ ದರಗಳಿವೆ, ಅವು ಪ್ರತಿ ಪ್ಲಾನ್‌ನಲ್ಲೂ ಒಂದೇ. Premium ಪ್ರತಿ ತಿಂಗಳು $50 ಕ್ರೆಡಿಟ್ ಒಳಗೊಂಡಿದೆ. ಎಲ್ಲಾ ಪ್ಲಾನ್‌ಗಳು ಒಂದೇ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೊಂದಿವೆ, ಮತ್ತು API ಗೆ ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನ ಅದೇ ದರದಲ್ಲಿ ಶುಲ್ಕ ವಿಧಿಸಲಾಗುತ್ತದೆ.

ಕೇಳುಗರಿಗೆ ಅನುಸರಿಸಲು ಏನು ಬೇಕು?

ಒಂದು ಲಿಂಕ್ ಅಥವಾ QR ಕೋಡ್, ಮತ್ತು ಒಂದು ಫೋನ್. ಏನನ್ನೂ ಸ್ಥಾಪಿಸಬೇಕಾಗಿಲ್ಲ, ಖಾತೆ ರಚಿಸಬೇಕಾಗಿಲ್ಲ. ಕೇಳುಗರು ಬ್ರೌಸರ್‌ನಲ್ಲಿ ಲಿಂಕ್ ತೆರೆದು, ಭಾಷೆ ಆಯ್ಕೆಮಾಡಿ, ಮಾತನಾಡುತ್ತಿರುವಂತೆಯೇ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್ ಓದುತ್ತಾರೆ. ಕೇಳಲು ಬಯಸಿದರೆ, ಅನುವಾದಿತ ಪ್ರತಿ ಸಾಲನ್ನೂ ಜೋರಾಗಿ ಓದಲಾಗುತ್ತದೆ. ಯಾವಾಗ ಬೇಕಾದರೂ ಭಾಷೆ ಬದಲಿಸಬಹುದು; ಇಲ್ಲಿಯವರೆಗಿನ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್ ಹೊಸ ಭಾಷೆಯಲ್ಲಿ ಮತ್ತೆ ಓದಲಾಗುತ್ತದೆ.

ತಡವಾಗಿ ಸೇರುವ ಕೇಳುಗರು ಅವರು ಬರುವ ಮೊದಲು ಹೇಳಿದ್ದೆಲ್ಲವನ್ನೂ ನೋಡುತ್ತಾರೆ, ನಂತರ ಲೈವ್ ಅನುಸರಿಸುತ್ತಾರೆ. ಸಂಪರ್ಕ ಕಡಿದರೆ, ಅದು ಮರಳಿದಾಗ ಪುಟ ತಾನಾಗಿಯೇ ಹಿಡಿದುಕೊಳ್ಳುತ್ತದೆ.

ಆಡಿಯೊ ಮೈಕ್ರೊಫೋನ್‌ನಿಂದಲೇ ಬರಬೇಕೇ?

ಇಲ್ಲ. ಲೈವ್ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ಯಾವುದೇ ಸಾಧನದ ಮೈಕ್ರೊಫೋನ್, OBS ಅಥವಾ ಬ್ರಾಡ್‌ಕಾಸ್ಟ್ ಎನ್‌ಕೋಡರ್‌ನಿಂದ RTMP ಫೀಡ್, YouTube ಲೈವ್, ಇಂಟರ್ನೆಟ್ ರೇಡಿಯೊ ಕೇಂದ್ರ ಅಥವಾ ಸ್ಟ್ರೀಮ್ ನೀಡುವ ಯಾವುದೇ URL ಅನ್ನು ಕೇಳಬಲ್ಲದು. ಸ್ಟ್ರೀಮ್‌ಗೆ, VocalStack ಆಡಿಯೊವನ್ನು ತಾನೇ ಎಳೆದುಕೊಳ್ಳುತ್ತದೆ: ನಿಮ್ಮ ಕಡೆಯಲ್ಲಿ ಏನೂ ಚಲಿಸುವುದಿಲ್ಲ.

ಒಂದು ಬ್ರಾಡ್‌ಕಾಸ್ಟ್ ಲಿಂಕ್‌ಗೆ ಹಲವು ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್‌ಗಳಿಂದ ಆಹಾರ ನೀಡಬಹುದು, ಆದ್ದರಿಂದ ಎರಡು ವೇದಿಕೆಗಳ ಸಮ್ಮೇಳನ, ಅಥವಾ ರೇಡಿಯೊ ಸ್ಟ್ರೀಮ್ ಮತ್ತು YouTube ಲೈವ್ ಇರುವ ಕೇಂದ್ರ, ಇನ್ನೂ ಒಂದೇ ಲಿಂಕ್ ಹಂಚಿಕೊಳ್ಳುತ್ತದೆ.

ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್ ಯಾರು ನೋಡಬೇಕು ಎಂದು ನಾನು ನಿಯಂತ್ರಿಸಬಹುದೇ?

ಹೌದು. ಬ್ರಾಡ್‌ಕಾಸ್ಟ್ ಡೀಫಾಲ್ಟ್ ಆಗಿ ಸಾರ್ವಜನಿಕ: ಲಿಂಕ್ ಇರುವ ಯಾರಾದರೂ ಅನುಸರಿಸಬಹುದು. ಖಾಸಗಿಯಾಗಿ ಮಾಡಿ ಪಾಸ್‌ವರ್ಡ್ ಹೊಂದಿಸಿದರೆ, ನೀವು ಇಬ್ಬರನ್ನೂ ಕೊಟ್ಟವರು ಮಾತ್ರ ಒಳಗೆ ಬರಬಹುದು. ನಂತರ ಲಿಂಕ್ ಹೆಸರು ಬದಲಿಸಿದರೂ ಹಳೆಯ ಲಿಂಕ್ ಕೆಲಸ ಮಾಡುತ್ತಲೇ ಇರುತ್ತದೆ. ಯಾರು ಕೇಳುತ್ತಿದ್ದಾರೆ, ಯಾವ ಭಾಷೆಯಲ್ಲಿ, ಮತ್ತು ಯಾವಾಗ ಸೇರಿದರು ಎಂಬುದನ್ನೂ ನೋಡಬಹುದು.

ಕೇಳುಗರು ನಿಜವಾದ ಭಾಷಣಕಾರರನ್ನು ಕೇಳುತ್ತಾರೆಯೇ, ಅಥವಾ ಕೃತಕ ಧ್ವನಿಯನ್ನೇ?

ಎರಡೂ ಆಗಬಹುದು. ಡೀಫಾಲ್ಟ್ ಆಗಿ ಪ್ರತಿ ಸ್ಪೀಕರ್‌ಗೆ ಲಿಂಗಕ್ಕೆ ಹೊಂದುವ ಬೇರೆ ಸಿದ್ಧ ಧ್ವನಿ ಸಿಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಪ್ಯಾನೆಲ್ ಇನ್ನೂ ಪ್ಯಾನೆಲ್‌ನಂತೆ ಕೇಳಿಸುತ್ತದೆ. ಭಾಷಣಕಾರರ ಅನುಮತಿಯೊಂದಿಗೆ, ಮೂವತ್ತು ಸೆಕೆಂಡ್ ಆಡಿಯೊದಿಂದ ಅವರ ಧ್ವನಿಯನ್ನು ಕ್ಲೋನ್ ಮಾಡಬಹುದು, ಆಗ ಪ್ರತಿ ಭಾಷೆಯಲ್ಲಿ ಅನುವಾದವನ್ನು ಅವರದೇ ಧ್ವನಿಯಲ್ಲಿ ಓದಲಾಗುತ್ತದೆ. ಕ್ಲೋನ್ ಮಾಡಿದ ಧ್ವನಿಯೆಂದರೆ ಭವಿಷ್ಯದ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳಲ್ಲಿ ಭಾಷಣಕಾರರನ್ನು ಹೆಸರಿನಿಂದ ಗುರುತಿಸಿ ಲೇಬಲ್ ಮಾಡಲಾಗುತ್ತದೆ ಎಂದೂ ಅರ್ಥ. ಪ್ರತಿ ಸ್ಪೀಕರ್‌ಗೆ ಧ್ವನಿ ನಿಗದಿಪಡಿಸಬಹುದು, ಅಥವಾ ಒಬ್ಬರನ್ನು ಮ್ಯೂಟ್ ಮಾಡಬಹುದು.

ಕಾರ್ಯಕ್ರಮದ ನಂತರ ಏನು ಉಳಿಯುತ್ತದೆ?

ಎಲ್ಲವೂ. ರೆಕಾರ್ಡಿಂಗ್, ತಿದ್ದುಪಡಿಗಳು ಮತ್ತು ಅನುವಾದಗಳೊಂದಿಗೆ ಅದರ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್, ಮತ್ತು ಆಡಿಯೊ ನಿಮ್ಮ ಲೈಬ್ರರಿಯಲ್ಲಿ ಸಂಗ್ರಹವಾಗುತ್ತವೆ. ಪದಗಳು ಅಂತಿಮವಾದ ನಂತರ, ಪ್ರತಿ ಭಾಷೆಯಲ್ಲಿ ಶೀರ್ಷಿಕೆ ಮತ್ತು ಸಾರಾಂಶ ಒಮ್ಮೆ ಬರೆಯಲಾಗುತ್ತದೆ. ಅದನ್ನು ಬಂದಂತೆಯೇ ಮರುಪ್ಲೇ ಮಾಡಬಹುದು, ನಿಮ್ಮ ಭಾಷೆಯಲ್ಲಿ ಪ್ರತಿ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್‌ನಲ್ಲೂ ಹುಡುಕಬಹುದು, ಮತ್ತು SRT ಉಪಶೀರ್ಷಿಕೆಗಳು, PDF, Excel ಅಥವಾ JSON ಆಗಿ ಎಕ್ಸ್‌ಪೋರ್ಟ್ ಮಾಡಬಹುದು.

ಇದನ್ನು ನನ್ನ ಸ್ವಂತ ಉತ್ಪನ್ನಕ್ಕೆ ಸೇರಿಸಬಹುದೇ?

ಹೌದು. ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ಮಾಡುವ ಎಲ್ಲವೂ ಅದೇ ದರದಲ್ಲಿ API ಮೂಲಕ ಲಭ್ಯ: WebSocket ಮೂಲಕ ರಿಯಲ್‌ಟೈಮ್ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್, ಬ್ರಾಡ್‌ಕಾಸ್ಟ್‌ಗಳೊಂದಿಗೆ ಲೈವ್ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್‌ಗಳು, ಅನುವಾದ ಮತ್ತು ಧ್ವನಿ ಅನುವಾದಗಳು, ಫೈಲ್ ಮತ್ತು ಲಿಂಕ್ ಕೆಲಸಗಳು, ಮತ್ತು MCP ಸರ್ವರ್. TypeScript ಮತ್ತು Python ಗಾಗಿ ಅಧಿಕೃತ SDK ಗಳು ಸೇರಿವೆ. ಕೇಳುಗರು ನಿಮ್ಮ ಸ್ವಂತ ಆ್ಯಪ್‌ನಿಂದ ಹಂಚಿಕೆ ಕೋಡ್ ಮೂಲಕ ರೆಕಾರ್ಡಿಂಗ್‌ಗೆ ಚಂದಾದಾರರಾಗಬಹುದು, API ಕೀ ಬೇಕಾಗಿಲ್ಲ.