ಲೈವ್ ಅನುವಾದದಲ್ಲಿನ ಹೆಚ್ಚಿನ ವಿಳಂಬ ಕಾಯುವಿಕೆಯೇ: ಸ್ಟ್ರೀಮ್‌ಗಾಗಿ, ಮುಂದಿನ ಪದಕ್ಕಾಗಿ, ವಾಕ್ಯಕ್ಕಾಗಿ. ನೀವು ನಿಯಂತ್ರಿಸಬಹುದಾದ ಭಾಗವೆಂದರೆ ಲೇಟೆನ್ಸಿ ಮೋಡ್: ಕಡಿಮೆ ವಿಳಂಬ, ಅಥವಾ ಕಡಿಮೆ ಪರಿಷ್ಕರಣೆಗಳು.
ಲೈವ್ ಅನುವಾದವನ್ನು ಓದುವ ಕೇಳುಗನಿಗೆ ಪ್ರತಿ ಸಾಲು ಭಾಷಣಕಾರ ಹೇಳಿದ ಕೆಲವು ಸೆಕೆಂಡುಗಳ ನಂತರ ಕಾಣಿಸುತ್ತದೆ. ಈ ಅಂತರ ಒಂದೇ ವಿಳಂಬವಲ್ಲ, ಸರಪಳಿಯ ಉದ್ದಕ್ಕೂ ಸೇರಿಕೊಂಡ ಹಲವು ವಿಳಂಬಗಳ ಮೊತ್ತ; ಅವುಗಳಲ್ಲಿ ಹೆಚ್ಚಿನವು ಒಂದು ರೀತಿಯ ಕಾಯುವಿಕೆ. ಯಾವ ಕಾಯುವಿಕೆ ಯಾವುದು ಎಂದು ತಿಳಿದರೆ ಲೇಟೆನ್ಸಿ ಮೋಡ್ ಆಯ್ಕೆ ಸುಲಭವಾಗುತ್ತದೆ, ಮತ್ತು ರೀಡರ್ ನಿರ್ಮಿಸುವ ಡೆವಲಪರ್‌ಗೆ ಏನನ್ನು ರೆಂಡರ್ ಮಾಡಬೇಕು, ಯಾವಾಗ ಮಾಡಬೇಕು ಎಂದು ತಿಳಿಸುತ್ತದೆ.
ಸಂಖ್ಯೆಗಳಿಗೆ ಮುನ್ನ ಒಂದು ಹೋಲಿಕೆ ಮಾನದಂಡ: ಮಾನವ ಏಕಕಾಲಿಕ ದುಭಾಷಿ ಸಾಮಾನ್ಯವಾಗಿ ಭಾಷಣಕಾರರಿಗಿಂತ ಎರಡರಿಂದ ನಾಲ್ಕು ಸೆಕೆಂಡ್ ಹಿಂದಿರುತ್ತಾರೆ. ದುಭಾಷಿಗಳು ಈ ಅಂತರವನ್ನು ಇಯರ್-ವಾಯ್ಸ್ ಸ್ಪ್ಯಾನ್ ಎಂದು ಕರೆಯುತ್ತಾರೆ. ಕ್ರಿಯಾಪದ ಕೊನೆಯಲ್ಲಿ ಬರುವ ಭಾಷೆಗಳನ್ನು ಅವರು ಕ್ರಿಯಾಪದಕ್ಕಾಗಿ ಕಾಯುವ ಮೂಲಕ ಅಲ್ಲ, ಅದನ್ನು ಮುಂಗಾಣುವ ಮೂಲಕ, ಅಥವಾ ವಾಕ್ಯವನ್ನು ತಾವಾಗಿಯೇ ನಿಲ್ಲಬಲ್ಲ ತುಣುಕುಗಳಾಗಿ ವಿಭಜಿಸುವ ಮೂಲಕ ನಿಭಾಯಿಸುತ್ತಾರೆ. ಒಂದೆರಡು ಸೆಕೆಂಡ್ ವಿಳಂಬ ಸಾಫ್ಟ್‌ವೇರ್‌ನ ದೋಷವಲ್ಲ; ಅದು ಅತ್ಯುತ್ತಮ ಮಾನವ ಮಾಡುವ ಕೆಲಸಕ್ಕೆ ಸರಿಸುಮಾರು ಸಮ.
VocalStack ಮೇಲಿನ ಪ್ರತಿಯೊಂದು ಲೈವ್ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ಒಂದೇ ಕ್ರಮದಲ್ಲಿ, ಒಂದೇ ಹಂತಗಳ ಮೂಲಕ ಹಾದುಹೋಗುತ್ತದೆ, ಮತ್ತು ಪ್ರತಿ ಹಂತ ತನ್ನ ಹಿಂದಿನ ಹಂತಕ್ಕಾಗಿ ಕಾಯುತ್ತದೆ.
ಮೂಲ ಭಾಷೆಯ ಪಠ್ಯ ಮಾತನಾಡಿದಂತೆಯೇ ಬಹುತೇಕ ತಕ್ಷಣ ಓದುಗನನ್ನು ತಲುಪುತ್ತದೆ. ಅನುವಾದ ಒಂದೆರಡು ಸೆಕೆಂಡ್ ನಂತರ ಬರುತ್ತದೆ, ಮತ್ತು ಮಾತನಾಡಿದ ವಾಕ್ಯ ಅದರ ಅನುವಾದದ ನಂತರ ಬರುತ್ತದೆ; ಅದಕ್ಕಾಗಿಯೇ ಧ್ವನಿ ಕ್ಲಿಪ್ ಯಾವಾಗಲೂ ಕೊನೆಯಲ್ಲಿ ಬರುತ್ತದೆ. ಆದರೆ ಸರಪಳಿಯ ಮೊದಲ ಗೋಚರ ಪರಿಣಾಮ ಧ್ವನಿಗೆ ಬಹಳ ಮುನ್ನವೇ ಬರುತ್ತದೆ: ಪಠ್ಯವೇ ಚಲಿಸುತ್ತದೆ.
ಲೈವ್ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್‌ನಲ್ಲಿ ಜನರು ಮೊದಲು ಗಮನಿಸುವುದು ಇತ್ತೀಚಿನ ಪದಗಳು ಚಲಿಸುವುದನ್ನು. ಒಂದು ಪದಗುಚ್ಛ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ, ಬದಲಾಗುತ್ತದೆ, ನಂತರ ಸ್ಥಿರವಾಗುತ್ತದೆ. ಇದು ಡ್ರಾಫ್ಟ್ ಹಂತದ ಕೆಲಸ, ಮತ್ತು ಇದು ಪ್ರತಿಯೊಂದು ಸ್ಪೀಚ್ ರೆಕಗ್ನೈಸರ್‌ಗೂ ಅನ್ವಯಿಸುವ ಕಾರಣಕ್ಕಾಗಿ ಇದೆ.
ಒಂದು ರೆಕಗ್ನೈಸರ್ ಒಂದು ಪದವನ್ನು ಅದರ ನಂತರ ಬರುವುದನ್ನು ನೋಡಿ ಸ್ಥಿರಗೊಳಿಸುತ್ತದೆ. "I scream" ಮತ್ತು "ice cream" ಮುಂದಿನ ಪದ ಬರುವವರೆಗೆ ಒಂದೇ ರೀತಿ ಧ್ವನಿಸುತ್ತವೆ; ಕೊನೆಯ "s" ಈ ಪದಕ್ಕೆ ಸೇರಿರಬಹುದು ಅಥವಾ ಮುಂದಿನದಕ್ಕೆ. ಪದದ ಬಲಭಾಗದಲ್ಲಿ ಆಡಿಯೊ ಇರುವವರೆಗೆ ಅದರ ಸ್ಪೆಲ್ಲಿಂಗ್ ಒಂದು ಊಹೆ ಮಾತ್ರ; ಆದ್ದರಿಂದ ಯಾವುದೇ ಲೈವ್ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್‌ನ ಇತ್ತೀಚಿನ ಪದಗಳೇ ಯಾವಾಗಲೂ ಕಡಿಮೆ ಖಚಿತವಾದವು. ಡ್ರಾಫ್ಟ್ ಎಂದರೆ ಆ ಊಹೆಯನ್ನು ಮರೆಮಾಡದೆ ಮುಂಚಿತವಾಗಿ ತೋರಿಸುವುದು.
ಪ್ರತಿ ಡ್ರಾಫ್ಟ್ ಲೈವ್ ಟೇಲ್ ಅನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಬದಲಿಸುತ್ತದೆ: ಕೊನೆಯ ಕಮಿಟ್ ನಂತರ ಕೇಳಿಬಂದ ಪದಗಳು, ಇನ್ನೂ ಬದಲಾಗುತ್ತಿರುವವು. ಕಮಿಟ್ ಅಂತಿಮ. ಅದು ಎಂದಿಗೂ ಬದಲಾಗುವುದಿಲ್ಲ, ಅದು ಪದ-ಮಟ್ಟದ ಸಮಯಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ, ಮತ್ತು ಓದುಗ ಯಾವುದನ್ನಾದರೂ ತಪ್ಪಿಸಿಕೊಂಡಿದ್ದರೆ ತಿಳಿಯಲು ಕಮಿಟ್‌ಗಳಿಗೆ ಅಂತರವಿಲ್ಲದೆ ಸಂಖ್ಯೆ ನೀಡಲಾಗುತ್ತದೆ.
ಡೆವಲಪರ್‌ಗೆ, ರಿಯಲ್-ಟೈಮ್ API ಒತ್ತಾಯಿಸುವ ಒಂದೇ ನಿಯಮ ಇದು: ಪ್ರತಿ ಕಮಿಟ್ ಆದ ಸೆಗ್ಮೆಂಟ್ ಅನ್ನು ರೆಂಡರ್ ಮಾಡಿ, ನಂತರ ಅವುಗಳ ನಂತರ ಇತ್ತೀಚಿನ ಡ್ರಾಫ್ಟ್ ಅನ್ನು ರೆಂಡರ್ ಮಾಡಿ, ಮತ್ತು ಕಮಿಟ್ ಬಂದಾಗ ಡ್ರಾಫ್ಟ್ ಅನ್ನು ಕ್ಲಿಯರ್ ಮಾಡಿ. ಡ್ರಾಫ್ಟ್‌ಗಳನ್ನು ಬದಲಿಸುವ ಬದಲು ಸೇರಿಸಿದರೆ ಪಠ್ಯ ನಕಲಾಗಿ ಮಿನುಗುತ್ತದೆ; ಕಮಿಟ್ ಬಂದಾಗ ಕೊನೆಯ ಭಾಗವನ್ನು ಅದು ಸೇವಿಸುತ್ತದೆ. WebSocket ಟ್ಯುಟೋರಿಯಲ್ ಇದೇ ತತ್ವದ ಮೇಲೆ ಒಂದು ರೀಡರ್ ನಿರ್ಮಿಸುತ್ತದೆ.
ಹೋಸ್ಟ್‌ಗೆ, ಪದಗಳು ಚಲಿಸುವುದು ಕಡಿಮೆ ವಿಳಂಬದ ಬೆಲೆ. ಪದಗುಚ್ಛ ಮುಗಿಯುವ ಮೊದಲೇ ಪದಗಳನ್ನು ತೋರಿಸುವುದೇ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್‌ಗೆ ಲೈವ್ ಅನುಭವ ನೀಡುತ್ತದೆ. ಆದರೆ ಅನುವಾದಕ್ಕೆ ಈ ತಂತ್ರ ಸಾಧ್ಯವಿಲ್ಲ, ಏಕೆಂದರೆ ಒಂದು ಪದವನ್ನು ಅರ್ಧ ಪದಗುಚ್ಛದಿಂದ ಊಹಿಸಬಹುದು, ಆದರೆ ಅನುವಾದವನ್ನು ಊಹಿಸಲಾಗದು.
ಪದಗಳ ಕ್ರಮವೇ ಅನುವಾದ ಡ್ರಾಫ್ಟ್‌ನ ವೇಗದೊಂದಿಗೆ ಏಕೆ ಸಾಗಲಾರದು ಎಂಬುದಕ್ಕೆ ಕಾರಣ. ಜರ್ಮನ್ ಭಾಷೆಯಲ್ಲಿ ಕ್ರಿಯಾಪದ ಉಪವಾಕ್ಯದ ಕೊನೆಯಲ್ಲಿ ಇರಬಹುದು, ಮತ್ತು ಜಪಾನೀಸ್‌ನಲ್ಲಿ ಕ್ರಿಯಾಪದ ಕೊನೆಗೆ ಬರುತ್ತದೆ. ಯಾವುದೇ ಅನುವಾದಕ ಉಪವಾಕ್ಯವನ್ನು ನಿಷ್ಠೆಯಿಂದ ರೆಂಡರ್ ಮಾಡಲು ಅದು ಸಂಪೂರ್ಣವಾಗಿ ಬರುವವರೆಗೆ ಕಾಯಬೇಕು. ಪದ-ಪದವಾಗಿ ಅನುವಾದಿಸಿದರೆ ಕೇಳುಗನಿಗೆ ತುಣುಕುಗಳು ಸಿಗುತ್ತವೆ, ಅವು ಉಪವಾಕ್ಯ ಮುಗಿದಾಗ ಅರ್ಥವಾಗಬೇಕಾಗುತ್ತದೆ. ಸಾಫ್ಟ್‌ವೇರ್ ಅದನ್ನು ಪ್ರಯತ್ನಿಸುವ ಮುನ್ನವೇ ಜರ್ಮನ್ ದುಭಾಷಿಗಳು ಕ್ರಿಯಾಪದಕ್ಕಾಗಿ ಕಾಯುತ್ತಿದ್ದಾರೆ.
VocalStack ಹೀಗಾಗಿ ತುಣುಕುಗಳನ್ನಲ್ಲ, ವಾಕ್ಯಗಳನ್ನು ಅನುವಾದಿಸುತ್ತದೆ. ವಾಕ್ಯಗಳು ಡೀಫಾಲ್ಟ್ ಆಗಿ ಆನ್ ಇರುತ್ತವೆ, ಮತ್ತು ಅವು ಆನ್ ಇದ್ದಾಗ ಸರ್ವರ್ ಕಮಿಟ್‌ಗಳನ್ನು ಒಂದು ವಾಕ್ಯವಾಗಿ ಜೋಡಿಸಿ ಅದನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಅನುವಾದಿಸುತ್ತದೆ. ವಾಕ್ಯ ತೆರೆದಿರುವಾಗ ಅದರ ಅನುವಾದ ತಾತ್ಕಾಲಿಕ; ಅದು ಮುಚ್ಚಿದ ನಂತರವೇ ಅನುವಾದ ಅಂತಿಮವಾಗುತ್ತದೆ. ಓದುಗ ಪ್ರತಿ ವಾಕ್ಯಕ್ಕೆ ಒಂದು ನಮೂದನ್ನು ಇಟ್ಟುಕೊಂಡು ನವೀಕರಣಗಳು ಬಂದಂತೆ ಅದನ್ನು ಬದಲಿಸುತ್ತದೆ.
ಭಾಷಣ ಇನ್ನೂ ಹೆಚ್ಚು ಕಾಯುತ್ತದೆ. ಮುಚ್ಚಿದ ವಾಕ್ಯವನ್ನು ಮಾತ್ರ ಓದಿ ಹೇಳಲಾಗುತ್ತದೆ, ಏಕೆಂದರೆ ಇನ್ನೂ ಬದಲಾಗುತ್ತಿರುವ ವಾಕ್ಯವನ್ನು ಪ್ರತಿ ಪರಿಷ್ಕರಣೆಯಲ್ಲೂ ಮರು-ಸಂಶ್ಲೇಷಿಸಬೇಕಾಗುತ್ತದೆ. ದೀರ್ಘ ವಾಕ್ಯವನ್ನು ತುಣುಕುಗಳಲ್ಲಿ ಓದಿ ಹೇಳಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಮೊದಲ ತುಣುಕು ಉಳಿದವು ತಯಾರಾಗುವಾಗಲೇ ಪ್ಲೇ ಆಗಬಹುದು.
ವಾಕ್ಯಗಳು ಆಫ್ ಇದ್ದರೆ, ಪ್ರತಿ ಕಮಿಟ್‌ಗೆ ತನ್ನದೇ ಅನುವಾದ ಫ್ರೇಮ್ ಸಿಗುತ್ತದೆ. ಆ ಮಾರ್ಗ ಯಾವುದಕ್ಕೂ ಕಾಯುವುದಿಲ್ಲ, ಆದರೆ ಪೂರ್ಣ ವಾಕ್ಯಗಳು ಹೆಚ್ಚು ಚೆನ್ನಾಗಿ ಓದುತ್ತವೆ.
ಇವೆಲ್ಲ ಕಾಯುವಿಕೆಗಳನ್ನು ಆಡಿಯೊ VocalStack ತಲುಪಿದ ಕ್ಷಣದಿಂದ ಅಳೆಯಲಾಗುತ್ತದೆ. ಅನೇಕ ಪ್ರಸಾರಗಳಿಗೆ, ಆಡಿಯೊ ಅಲ್ಲಿಗೆ ತಲುಪುವ ಮೊದಲೇ ತಡವಾಗಿತ್ತು.
ಮೈಕ್ರೊಫೋನ್ ಬದಲು ಮೂಲ ಒಂದು ಸ್ಟ್ರೀಮ್ ಆದಾಗ, ಯಾವುದನ್ನೂ ಟ್ರಾನ್ಸ್‌ಕ್ರೈಬ್ ಮಾಡುವ ಮೊದಲೇ ಆಡಿಯೊ ಈಗಾಗಲೇ ಹಿಂದಿರುತ್ತದೆ. ಅದು ಲೈವ್ ಎಡ್ಜ್‌ನ ಹಿಂದೆ ಇರುತ್ತದೆ, ಅಂದರೆ ಸ್ಟ್ರೀಮ್ ಪ್ರಕಟಿಸಿರುವ ಇತ್ತೀಚಿನ ಕ್ಷಣದ ಹಿಂದೆ.
ಸಾಮಾನ್ಯ HTTP ಆಡಿಯೊ ಸ್ಟ್ರೀಮ್, ಅಂದರೆ ಹೆಚ್ಚಿನ ಇಂಟರ್ನೆಟ್ ರೇಡಿಯೊ ಕೇಂದ್ರಗಳು ಪ್ರಕಟಿಸುವ ರೀತಿ, ಸಾಮಾನ್ಯವಾಗಿ ಒಂದರಿಂದ ಮೂರು ಸೆಕೆಂಡ್ ಹಿಂದಿರುತ್ತದೆ. ಸರ್ವರ್ ಒಂದು ಬರ್ಸ್ಟ್ ಬಫರ್ ಇಡುತ್ತದೆ: ಇತ್ತೀಚಿನ ಕೆಲವು ಸೆಕೆಂಡ್ ಆಡಿಯೊ, ಎಲ್ಲವನ್ನೂ ಒಮ್ಮೆಗೇ ಕಳುಹಿಸಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಹೊಸ ಕೇಳುಗರ ಪ್ಲೇಯರ್ ತಡೆಯಿಲ್ಲದೆ ಆರಂಭಿಸಬಹುದು. VocalStack ಸೇರಿದಂತೆ ಪ್ರತಿ ಕೇಳುಗ ಅಷ್ಟು ಹಿಂದಿನಿಂದಲೇ ಸೇರುತ್ತಾನೆ. HLS ಇನ್ನೂ ಕೆಟ್ಟದು: ಅದರ ಪ್ಲೇಲಿಸ್ಟ್ ಕ್ಲೈಂಟ್ ಅನ್ನು ಲೈವ್ ಎಡ್ಜ್‌ನಿಂದ ಮೂರು ಸೆಗ್ಮೆಂಟ್ ಹಿಂದೆ ಆರಂಭಿಸುತ್ತದೆ, ಅಂದರೆ ಸೆಗ್ಮೆಂಟ್ ಉದ್ದಕ್ಕೆ ಅನುಸಾರ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಹಲವು ಸೆಕೆಂಡುಗಳಿಂದ ಅರ್ಧ ನಿಮಿಷದವರೆಗೆ. ಸ್ಟ್ಯಾಂಡರ್ಡ್ DASH ಸಾಮಾನ್ಯವಾಗಿ HLS ನಂತೆಯೇ ಇರುತ್ತದೆ; ಅದರ ಲೋ-ಲೇಟೆನ್ಸಿ ರೂಪ ಮಾತ್ರ ಅದಕ್ಕಿಂತ ಬಹಳ ಕಡಿಮೆಗೆ ಹೋಗುತ್ತದೆ. ಕೇಂದ್ರದ "ಲೈವ್" ಸ್ಟ್ರೀಮ್ ಒಂದು ಪತ್ರ "ಇತ್ತೀಚಿನದು" ಎನ್ನುವ ಅರ್ಥದಲ್ಲಿ ಮಾತ್ರ ಲೈವ್ ಆಗಿರಬಹುದು.
ಈ ಅಂಕಿಅಂಶಗಳು ಅಂದಾಜು, ಮತ್ತು ಅವು ಸ್ಟ್ರೀಮ್‌ಗೆ ಸೇರಿದವು, ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್‌ಗಲ್ಲ: VocalStack ಕಡೆಯ ಯಾವುದೇ ಸೆಟ್ಟಿಂಗ್ ಅವುಗಳನ್ನು ಹಿಂದೆ ತರಲಾರದು. ಆ ಸೆಕೆಂಡುಗಳು ಒಂದು ಕಾರ್ಯಕ್ರಮಕ್ಕೆ ಮುಖ್ಯವಾದರೆ, ಸಾರ್ವಜನಿಕ ಸ್ಟ್ರೀಮ್ ಬದಲು ಮೈಕ್ರೊಫೋನ್ ಅಥವಾ ಎನ್‌ಕೋಡರ್‌ನಿಂದ ಹಂತಕ್ಕೆ ಆಡಿಯೊ ನೀಡಿ. ಸ್ಟ್ರೀಮ್ ವಿಳಂಬ VocalStack ಒಂದು ಪದವನ್ನೂ ಕೇಳುವ ಮುನ್ನವೇ ನಿಗದಿಯಾಗುತ್ತದೆ; ನೀವು ನಿಜವಾಗಿ ಚಲಿಸಬಹುದಾದದ್ದು ಲೇಟೆನ್ಸಿ ಮೋಡ್.
ಲೇಟೆನ್ಸಿ ಮೋಡ್ ಒಂದೇ ಕೆಲಸ ಮಾಡುತ್ತದೆ: ವಿಳಂಬ ಮತ್ತು ನಿಖರತೆಯ ನಡುವಿನ ಸಮತೋಲನವನ್ನು ನಿಗದಿಪಡಿಸುತ್ತದೆ. ಸೆಟ್ಟಿಂಗ್ ಲೈವ್ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ರಚಿಸುವಾಗ Advanced ಅಡಿಯಲ್ಲಿರುತ್ತದೆ, ಮತ್ತು ಅದು ನಡೆಯುತ್ತಿರುವಾಗ Speed ಟ್ಯಾಬ್‌ನಲ್ಲಿರುತ್ತದೆ. ಅಲ್ಲಿ ಚಿಪ್ AUTO, SPEED ಅಥವಾ ACCURACY ಎಂದು ತೋರಿಸುತ್ತದೆ (Fast ಎಂದು SPEED ಆಗಿ ಕಾಣಿಸುತ್ತದೆ). API ಮೂಲಕ, session.update ಸ್ಟ್ರೀಮ್ ನಡುವೆಯೂ ಅದನ್ನು ಬದಲಿಸುತ್ತದೆ.
ಈ ರಾಜಿ ಹೆಸರುಗಳೇ ಸೂಚಿಸುವಂತಿದೆ. Fast ಪಠ್ಯವನ್ನು ಬೇಗ ಹೊರತರುತ್ತದೆ, ಆದರೆ ಅದರಲ್ಲಿ ಹೆಚ್ಚು ಪರಿಷ್ಕರಿಸುತ್ತದೆ; Accuracy ಸ್ವಲ್ಪ ಹೆಚ್ಚು ಸಮಯ ತೆಗೆದುಕೊಂಡು ಕಡಿಮೆ ಪರಿಷ್ಕರಿಸುತ್ತದೆ. ಅನುವಾದಿತ ಉಪಶೀರ್ಷಿಕೆ ಓದುವ ಆಸನದ ಪ್ರೇಕ್ಷಕರು ಹೆಚ್ಚುವರಿ ಒಂದು ಸೆಕೆಂಡ್ ಅನ್ನು ವಿರಳವಾಗಿ ಗಮನಿಸುತ್ತಾರೆ, ಆದರೆ ಪದಗಳು ಬದಲಾಗುತ್ತಲೇ ಇದ್ದರೆ ಗಮನಿಸುತ್ತಾರೆ. ವಿಳಂಬ ಚಾರ್ಟ್ ಸಮತಟ್ಟಾಗಿ ಇರುವವರೆಗೆ Accuracy ಹೆಚ್ಚಾಗಿ ಹೆಚ್ಚು ದಯೆಯ ಸೆಟ್ಟಿಂಗ್ ಆಗಿರುತ್ತದೆ. Auto ತನ್ನ ಕ್ರಮವನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ: ಅಂತರವನ್ನು ಮುಚ್ಚಲು ವೇಗಗೊಳಿಸಿದ ಸಾಲಿಗೆ ಹೋಸ್ಟ್‌ನ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್‌ನಲ್ಲಿ FAST MODE ಬ್ಯಾಡ್ಜ್ ಇರುತ್ತದೆ, ಜೊತೆಗೆ ಅಲ್ಲಿ ನಿಖರತೆ ಕಡಿಮೆ ಇರಬಹುದು ಎಂಬ ಟಿಪ್ಪಣಿ ಇರುತ್ತದೆ.
ಮೋಡ್ ಯಾವುದೇ ಆಗಿರಲಿ, ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ಮೊದಲ ಪದಕ್ಕೆ ಮುಂಚೆಯೇ ಸಿದ್ಧವಾಗಿರಬೇಕು, ಮತ್ತು ಅದನ್ನು ಸಿದ್ಧಪಡಿಸುವುದೇ ಸರಪಳಿ ಒಮ್ಮೆ ಮಾತ್ರ ತೆರುವ ವಿಳಂಬ.
ಕೆಲವು ಪ್ಲಾನ್‌ಗಳಲ್ಲಿ ಲೈವ್ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ಆರಂಭವಾಗಲು ಕೆಲವು ಸೆಕೆಂಡ್ ಬೇಕಾಗುತ್ತದೆ. ಎಷ್ಟು ಎಂಬುದು ಪ್ಲಾನ್ ಮೇಲೆ ಅವಲಂಬಿತ: ಬೆಲೆಗಳ ಪುಟದಲ್ಲಿನ Start-up speed ಸಾಲು, Pay as you go (ಬಳಸಿದಷ್ಟು ಪಾವತಿಸಿ) ಪ್ಲಾನ್‌ನಲ್ಲಿ 15 ಸೆಕೆಂಡ್‌ವರೆಗಿನ ಕೋಲ್ಡ್ ಸ್ಟಾರ್ಟ್‌ನಿಂದ Enterprise ನಲ್ಲಿ ಯಾವಾಗಲೂ ಬೆಚ್ಚಗಿರುವವರೆಗೆ ಇರುತ್ತದೆ.
API ಮೂಲಕ, ಕಾಯುವಿಕೆ ಸೆಷನ್ ಆರಂಭವಾಗುವಾಗ session.loading ಫ್ರೇಮ್‌ಗಳಾಗಿ ಕಾಣಿಸುತ್ತದೆ, ನಂತರ session.ready ಆಗುತ್ತದೆ; ಅದರ ನಂತರವೇ ಕ್ಲೈಂಟ್ ಆಡಿಯೊ ಕಳುಹಿಸುತ್ತದೆ. ಈ ಮಧ್ಯೆ ಲಿಂಕ್ ತೆರೆಯುವ ಕೇಳುಗನಿಗೆ "ಲೈವ್. ಮೊದಲ ಸಾಲು ಒಂದು ಕ್ಷಣದಲ್ಲಿ ಕಾಣಿಸುತ್ತದೆ." ಎಂದು ಕಾಣುತ್ತದೆ. ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ಚಾಲನೆಯಾದ ನಂತರ ಈ ವಿಳಂಬ ಹಿಂದೆ ಬಿಟ್ಟಂತೆ; ಉಳಿದ ವಿಳಂಬದಲ್ಲಿ ಎಷ್ಟನ್ನು ಹೊತ್ತಿದ್ದೀರಿ ಎಂಬುದೇ ಕೇಳಬೇಕಾದ ಏಕೈಕ ಪ್ರಶ್ನೆ.
ಲೈವ್ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ನಡೆಯುತ್ತಿರುವಾಗ, ಹೋಸ್ಟ್‌ನ Speed ಟ್ಯಾಬ್ ಇವೆಲ್ಲವೂ ಒಟ್ಟಾಗಿ ಎಷ್ಟಾಗುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ: ಭಾಷಣಕಾರ ಮತ್ತು ಪಠ್ಯದ ನಡುವಿನ ಈಗಿನ ಅಂತರ, ಪಕ್ಕದಲ್ಲಿ ಮೋಡ್ ಚಿಪ್, ಮತ್ತು ರೆಕಾರ್ಡಿಂಗ್‌ನಾದ್ಯಂತ ಆ ಅಂತರದ ಚಾರ್ಟ್ ಅದರ ಸರಾಸರಿ ಮತ್ತು ಗರಿಷ್ಠದೊಂದಿಗೆ. ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್‌ನಲ್ಲೇ, ಕೇಳುಗರನ್ನು ತಡವಾಗಿ ತಲುಪಿದ ಸಾಲಿನಲ್ಲಿ ಅದು ಮಾತನಾಡಿದ ಸಮಯ ಮತ್ತು ತಲುಪಿದ ಸಮಯದ ನಡುವಿನ ಸೆಕೆಂಡುಗಳ ಸಂಖ್ಯೆ ತಿಳಿಸುವ ಬ್ಯಾಡ್ಜ್ ಇರುತ್ತದೆ.
ಚಾರ್ಟ್ ಕಡಿಮೆಯಾಗಿ ಸಮತಟ್ಟಾಗಿ ಉಳಿದರೆ ಮೋಡ್ ಆಡಿಯೊಗೆ ಸರಿಹೊಂದುತ್ತದೆ ಎಂದರ್ಥ. ಚಾರ್ಟ್ ಏರುತ್ತಿದ್ದರೆ ಪೈಪ್‌ಲೈನ್ ಹಿಂದೆ ಬೀಳುತ್ತಿದೆ. Accuracy ಮೇಲೆ ಇದ್ದಾಗ, ಅಂತರ ಮುಚ್ಚುವವರೆಗೆ ವೇಗಕ್ಕಾಗಿ ಕೆಲವು ನಿಖರತೆಯನ್ನು ತ್ಯಜಿಸುವ Auto ಗೆ ಬದಲಾಯಿಸುವ ಸಮಯ ಇದಾಗಿರಬಹುದು.
ಡೆವಲಪರ್‌ಗಳಿಗೆ ಇದರ ಬದಲು ಒಂದೇ ಸಂಖ್ಯೆ ಸಿಗುತ್ತದೆ. ರಿಯಲ್-ಟೈಮ್ ಸೆಷನ್ ಮುಗಿದಾಗ, session.done ನಲ್ಲಿ stats.realtimeFactor ಇರುತ್ತದೆ: ಟ್ರಾನ್ಸ್‌ಕ್ರೈಬ್ ಮಾಡಿದ ಆಡಿಯೊ ಅವಧಿಯನ್ನು ಅದನ್ನು ಟ್ರಾನ್ಸ್‌ಕ್ರೈಬ್ ಮಾಡಲು ಕಳೆದ ಸಮಯದಿಂದ ಭಾಗಿಸಿದ ಫಲ. ಒಂದು ಸಮಾವೇಶದ ಎಚ್ಚರಿಕೆ: ಸ್ಪೀಚ್-ರೆಕಗ್ನಿಷನ್ ಸಾಹಿತ್ಯದಲ್ಲಿ ರಿಯಲ್-ಟೈಮ್ ಫ್ಯಾಕ್ಟರ್ ಸಾಮಾನ್ಯವಾಗಿ ಇದರ ವಿಲೋಮವನ್ನು ಅರ್ಥೈಸುತ್ತದೆ, ಅಂದರೆ ಪ್ರಕ್ರಿಯೆ ಸಮಯವನ್ನು ಆಡಿಯೊ ಸಮಯದಿಂದ ಭಾಗಿಸಿದ್ದು, ಅದು ಕಡಿಮೆ ಇದ್ದಷ್ಟು ಒಳ್ಳೆಯದು. VocalStack ಅದನ್ನು ವಿರುದ್ಧ ರೀತಿಯಲ್ಲಿ ವರದಿ ಮಾಡುತ್ತದೆ, ಆದ್ದರಿಂದ ಇಲ್ಲಿ ಹೆಚ್ಚಿದಷ್ಟು ಒಳ್ಳೆಯದು: ಲೈವ್ ಸೆಷನ್ 1ರ ಸುತ್ತ ಇರುತ್ತದೆ, ಮತ್ತು 1ಕ್ಕಿಂತ ಕಡಿಮೆ ಎಂದರೆ ಪೈಪ್‌ಲೈನ್ ಟ್ರಾನ್ಸ್‌ಕ್ರೈಬ್ ಮಾಡುವುದಕ್ಕಿಂತ ವೇಗವಾಗಿ ಆಡಿಯೊ ಬಂದಿದೆ.
ಈ ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಯಾವುದೂ ನಿಗೂಢವಲ್ಲ. ಕೆಲವು ಸ್ಟ್ರೀಮ್‌ಗೆ, ಕೆಲವು ಒಂದು ಪದ ಮುಂದಿನದಕ್ಕಾಗಿ ಕಾಯುವುದಕ್ಕೆ, ಕೆಲವು ಅನುವಾದಕ್ಕೆ ಬೇಕಾದ ವಾಕ್ಯಕ್ಕೆ, ಮತ್ತು ಉಳಿದವು ನೀವು ಆರಿಸಿದ ಲೇಟೆನ್ಸಿ ಮೋಡ್‌ಗೆ ಸೇರಿವೆ. API ರೆಫರೆನ್ಸ್ ಫ್ರೇಮ್-ಬೈ-ಫ್ರೇಮ್ ವಿವರ ಹೊಂದಿದೆ, ಮತ್ತು ಮುಖಪುಟದಲ್ಲಿನ ಡೆಮೊ ಸರಪಳಿ ಚಲಿಸುವುದನ್ನು ತೋರಿಸುತ್ತದೆ.
