ಲೈವ್ ಅನುವಾದದ ನಿಖರತೆ ಬಹುತೇಕ ಯಾವುದೇ ಮಾದರಿ ಚಲಿಸುವ ಮೊದಲೇ ನಿರ್ಧಾರವಾಗುತ್ತದೆ, ಅಂದರೆ ಮೈಕ್ರೊಫೋನ್ ಎಲ್ಲಿದೆ ಎಂಬುದರಿಂದ. ಮಿಕ್ಸಿಂಗ್ ಡೆಸ್ಕ್‌ನಿಂದ ಆಡಿಯೊ ತೆಗೆದುಕೊಳ್ಳಿ, ಹನ್ನೆರಡನೇ ಸಾಲಿನ ಆಸನದಿಂದಲ್ಲ, ಒಮ್ಮೆ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ಮಾಡಿ, ಆಗ ತಪ್ಪು ಎಲ್ಲರಿಗೂ ಸರಿಪಡಿಸಬಹುದಾದ ಒಂದು ಸಾಲಾಗುತ್ತದೆ.
ಫೋನ್‌ಗಳಲ್ಲಿ ಅಂತರ್ನಿರ್ಮಿತವಾಗಿರುವ ಅನುವಾದ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ನಿಜವಾದ ಸಾಧನೆ. ಅವು ಸಾಮಾನ್ಯವಾಗಿ ಸಾಧನ ಮತ್ತು ಅದರ ಬ್ಯಾಟರಿಯಲ್ಲಿ ಹಿಡಿಯುವಷ್ಟು ಚಿಕ್ಕ ಭಾಷಣ ಮಾದರಿಯನ್ನು ಚಲಾಯಿಸುತ್ತವೆ (ಕೆಲವು ಸಂಪರ್ಕವಿದ್ದಾಗ ಆಡಿಯೊವನ್ನು ಸರ್ವರ್‌ಗೆ ಕಳುಹಿಸುತ್ತವೆ), ಮತ್ತು ಚಿಕ್ಕದಾದ, ಸ್ಪಷ್ಟವಾದ, ದೈನಂದಿನ ವಾಕ್ಯಗಳಿಗೆ ಅವು ಕೆಲಸ ಮಾಡುತ್ತವೆ: ದಾರಿ ಕೇಳುವುದು, ಮೆನು ಓದುವುದು, ಕೌಂಟರ್ ಬಳಿ ಸಂಭಾಷಣೆ.
ಒಬ್ಬ ಭಾಷಣಕಾರರನ್ನು ಕೇಳುತ್ತಿರುವ ಸಭಾಂಗಣದ ಜನರು ಬೇರೆಯೇ ಸಮಸ್ಯೆ. ನಿಜವಾದ ಮಾತಿನಲ್ಲಿ ತಪ್ಪಾಗುವ ವಿಷಯಗಳೇ ಸಣ್ಣ ಮಾದರಿಗೆ ಅತ್ಯಂತ ಕಷ್ಟಕರವಾದವು: ಅಪರೂಪದ ಪದಗಳು ಮತ್ತು ಹೆಸರುಗಳು, ಒಂದೇ ರೀತಿ ಧ್ವನಿಸುವ ಪದಗಳು ("their" ಮತ್ತು "there", "sail" ಮತ್ತು "sale"), ತಾಂತ್ರಿಕ ಪದಗಳು, ಉಚ್ಚಾರ ಭೇದಗಳು, ಒಬ್ಬರ ಮೇಲೊಬ್ಬರು ಮಾತನಾಡುವುದು, ಮತ್ತು ಹಿನ್ನೆಲೆ ಶಬ್ದ. ಒಂದು ಸೈಲಿಂಗ್ ಕ್ಲಬ್‌ನಲ್ಲಿ "sale" ಎಂದು ಕೇಳಿಸಿಕೊಳ್ಳುವ ಮಾದರಿ ಸಮಂಜಸವಾದ ಊಹೆ ಮಾಡಿದೆ, ಆದರೆ ಅದು ಆತ್ಮವಿಶ್ವಾಸದ ತಪ್ಪು.
ಸಣ್ಣ ಮಾದರಿಯನ್ನು ಹೆಚ್ಚು ಊಹಿಸುವಂತೆ ಮಾಡುವ ಎರಡು ಅಂಶಗಳಿವೆ. ಫೋನ್‌ಗೆ ಹೊಂದಿಕೆಯಾಗಲು ಅದನ್ನು ಸಂಕುಚಿತಗೊಳಿಸಲಾಗಿದೆ, ಆದ್ದರಿಂದ ಅದಕ್ಕೆ ಕಡಿಮೆ ಪದಗಳು ಮತ್ತು ಅವುಗಳನ್ನು ಹೇಳುವ ಕಡಿಮೆ ವಿಧಾನಗಳು ಗೊತ್ತು; ಅದು ಇದುವರೆಗೆ ಕಾಣದ ಉಪನಾಮವನ್ನು ಕೇವಲ ಶಬ್ದಗಳಿಂದ ಅಂದಾಜು ಮಾಡುತ್ತದೆ. ಜೊತೆಗೆ, ನೇರ ಗುರುತಿಸುವಿಕೆಗೆ ಇಡೀ ವಾಕ್ಯ ಬರುವ ಮೊದಲೇ ಒಂದು ಪದವನ್ನು ನಿಗದಿಪಡಿಸಬೇಕು, ಆದ್ದರಿಂದ "sail" ಮತ್ತು "sale" ನಡುವೆ ನಿರ್ಧರಿಸಬಹುದಾಗಿದ್ದ ವಿಷಯಗಳನ್ನು ಮಾದರಿ ಬಳಸಲಾಗುವುದಿಲ್ಲ: ಮುಂದೆ ಬರುವ ಪದಗಳು, ಅಥವಾ ಭಾಷಣ ಏನನ್ನು ಕುರಿತಿದೆ ಎಂದು ಹೇಳುವ ಸ್ಕ್ರಿಪ್ಟ್. ಭಾಷಣ ಗುರುತಿಸುವಿಕೆಯಲ್ಲಿ ಸಂದರ್ಭ ಎಂದರೆ ಇದೇ ಎರಡು ವಿಷಯಗಳು: ಸುತ್ತಲಿನ ಪದಗಳು, ಮತ್ತು ಮೊದಲೇ ತಿಳಿದಿರುವ ವಿಷಯಗಳು.
ಮಾದರಿಗೆ ಖಚಿತತೆ ಇಲ್ಲದಾಗ ಅದು ಊಹಿಸುತ್ತದೆ. ಅನುವಾದವು ಆ ಊಹೆಯ ಮೇಲೆಯೇ ನಿರ್ಮಾಣವಾಗುತ್ತದೆ, ಮತ್ತು ಓದುವ ವ್ಯಕ್ತಿಗೆ ಅದು ತಿಳಿಯಲು ಯಾವ ಮಾರ್ಗವೂ ಇಲ್ಲ. ಕೊಠಡಿಯಲ್ಲಿರುವ ಯಾರಿಗೂ ಒಂದು ಸಾಲು ತಪ್ಪಾಗಿತ್ತು ಎಂದು ಕಾಣುವುದಿಲ್ಲ, ಅದನ್ನು ಸರಿಪಡಿಸುವುದು ಬಿಡಿ. ಮತ್ತು ಕೊಠಡಿಯಲ್ಲಿ ಒಬ್ಬ ಕೇಳುಗನಲ್ಲ, ಐವತ್ತು ಜನರಿರುತ್ತಾರೆ.
ಫೋನ್ ಭಾಷಣಕಾರರನ್ನಲ್ಲ, ಕೊಠಡಿಯನ್ನು ಕೇಳಿಸಿಕೊಳ್ಳುತ್ತದೆ. ಕಾರಣ ದೂರ: ಲ್ಯಾಪೆಲ್ ಅಥವಾ ಮೇಜಿನ ಮೈಕ್ರೊಫೋನ್ ಬಾಯಿಯಿಂದ ಕೆಲವು ಸೆಂಟಿಮೀಟರ್ ದೂರದಲ್ಲಿರುತ್ತದೆ, ಆದರೆ ಹನ್ನೆರಡನೇ ಸಾಲಿನಲ್ಲಿರುವ ಫೋನ್ ಹತ್ತು ಮೀಟರ್ ಅಥವಾ ಅದಕ್ಕಿಂತ ದೂರದಲ್ಲಿರುತ್ತದೆ, ಮತ್ತು ಅದನ್ನು ತಲುಪುವ ಹೆಚ್ಚಿನ ಶಬ್ದ ಮೊದಲು ಗೋಡೆಗಳು, ಸೀಲಿಂಗ್ ಮತ್ತು ಕುರ್ಚಿಗಳ ಹಿಂಭಾಗಗಳಿಂದ ಪ್ರತಿಫಲಿಸಿರುತ್ತದೆ. ಪ್ರತಿಫಲಿಸಿದ ಶಬ್ದ ತಡವಾಗಿ ಮತ್ತು ಮಸುಕಾಗಿ ಬರುತ್ತದೆ. ಇದರ ಮೇಲೆ, ಫೋನ್ ಎರಡು ಸಾಲು ಹಿಂದೆ ಕೆಮ್ಮುವ ವ್ಯಕ್ತಿಯನ್ನು, ಪಕ್ಕದವರ ಪಿಸುಮಾತನ್ನು, ಮತ್ತು ಸಭಾಂಗಣದಾದ್ಯಂತ ಧ್ವನಿವರ್ಧಕಗಳು ಧ್ವನಿಯ ಮೇಲೆ ಮಾಡುವ ಪರಿಣಾಮವನ್ನು ಸಹ ಎತ್ತಿಕೊಳ್ಳುತ್ತದೆ. ಹೀಗಾಗಿ ಪ್ರತಿ ಆಸನಕ್ಕೂ ಸ್ವಲ್ಪ ಬೇರೆಯ ರೆಕಾರ್ಡಿಂಗ್ ಸಿಗುತ್ತದೆ, ಮತ್ತು ಪ್ರತಿ ಆಸನಕ್ಕೂ ಸ್ವಲ್ಪ ಬೇರೆಯ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್ ಸಿಗುತ್ತದೆ.
ಫೋನ್ ಒಬ್ಬ ವ್ಯಕ್ತಿಗಾಗಿ ಮಾತ್ರ ಅನುವಾದಿಸುತ್ತದೆ. ಐವತ್ತು ಫೋನ್‌ಗಳನ್ನು ಎತ್ತಿ ಹಿಡಿದಿರುವ ಐವತ್ತು ಹಾಜರಿದ್ದವರು ಒಂದೇ ಭಾಷಣದ ಐವತ್ತು ಸ್ವತಂತ್ರ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್‌ಗಳನ್ನು ತಯಾರಿಸುತ್ತಾರೆ, ಪ್ರತಿಯೊಂದರಲ್ಲೂ ಬೇರೆ ಬೇರೆ ತಪ್ಪುಗಳು. ನಂತರ ಹೋಲಿಸಿ ನೋಡಿದರೆ ಇಬ್ಬರು ಜನರು ಏನು ಹೇಳಲಾಯಿತು ಎಂಬುದರ ಬಗ್ಗೆ ಒಪ್ಪುವುದಿಲ್ಲ. ಭಾಷಣಕಾರರು ಏರಿಸಿದ ಫೋನ್‌ಗಳ ಗೋಡೆಯನ್ನು ಉದ್ದೇಶಿಸಿ ಮಾತನಾಡುತ್ತಿರುತ್ತಾರೆ, ಇದು ಓದಲು ಕಠಿಣವಾದ ಪ್ರೇಕ್ಷಕರು.
ಕೊಠಡಿಯಲ್ಲಿರುವ ಕೆಲವರಿಗೆ ಇದು ಅನನುಕೂಲಕ್ಕಿಂತ ಹೆಚ್ಚು; ಅವರು ಭಾಷಣವನ್ನು ಅನುಸರಿಸಬಹುದೇ ಇಲ್ಲವೇ ಎಂಬುದನ್ನೇ ಇದು ನಿರ್ಧರಿಸುತ್ತದೆ. ಶ್ರವಣದೋಷವುಳ್ಳ ಹಾಜರಿದ್ದವರು, ಅಥವಾ ಮೂರನೇ ಭಾಷೆಯಲ್ಲಿ ಅನುಸರಿಸುತ್ತಿರುವವರಿಗೆ, ಐವತ್ತು ಪ್ರಯತ್ನಗಳಲ್ಲ, ಒಂದೇ ಸರಿಯಾದ ಹಂಚಿಕೆಯ ಪಠ್ಯ ಬೇಕು. ಅದಕ್ಕಾಗಿ ಭಾಷಣಕಾರರನ್ನು ಒಮ್ಮೆ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ಮಾಡಿ, ಎಲ್ಲರಿಗೂ ಒಂದೇ ಫಲಿತಾಂಶ ನೀಡಬೇಕು. ಒಮ್ಮೆ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ಮಾಡುವುದು ಚೆನ್ನಾಗಿ ಮಾಡಿದರೆ ಮಾತ್ರ ಲಾಭ ನೀಡುತ್ತದೆ, ಮತ್ತು ಅದು ಆಡಿಯೊ ಎಲ್ಲಿಂದ ಬರುತ್ತದೆ ಎಂಬುದರಿಂದಲೇ ಆರಂಭವಾಗುತ್ತದೆ.
ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್ ಅದನ್ನು ತಯಾರಿಸಿದ ಆಡಿಯೊದಷ್ಟೇ ಉತ್ತಮ. ಆದ್ದರಿಂದ ಮೊದಲ ನಿರ್ಧಾರ ಯಾವ ಮಾದರಿಯನ್ನು ಬಳಸಬೇಕು ಎಂಬುದಲ್ಲ, ಯಾವ ಸಿಗ್ನಲ್ ಅನ್ನು ನೀಡಬೇಕು ಎಂಬುದು. ಎರಡನೆಯದು, ಮಾದರಿ ಆರಂಭಿಸುವ ಮೊದಲು ಅದಕ್ಕೆ ಏನು ಹೇಳಬೇಕು ಎಂಬುದು.
ಲೈವ್ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ತನ್ನ ಆಡಿಯೊವನ್ನು ಶುದ್ಧ ಸಿಗ್ನಲ್ ಈಗಾಗಲೇ ಇರುವಲ್ಲಿಂದ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ:
VocalStack ಸ್ವತಃ URL ಸ್ಟ್ರೀಮ್ ಅನ್ನು ಎಳೆದುಕೊಳ್ಳುತ್ತದೆ, ಆದ್ದರಿಂದ ನಿಮ್ಮ ಕಡೆಯಲ್ಲಿ ಏನೂ ಚಲಿಸಬೇಕಾಗಿಲ್ಲ. RTMP ಫೀಡ್ ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ: ನಿಮ್ಮ ಎನ್‌ಕೋಡರ್ ಅದನ್ನು ತಳ್ಳುತ್ತದೆ. ಭಾಷಣಕಾರರ ಭಾಷೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಗುರುತಿಸಲಾಗುತ್ತದೆ, ಮತ್ತು ಅವರು ಯಾವಾಗ ಬೇಕಾದರೂ ಭಾಷೆ ಬದಲಿಸಬಹುದು. ನಿಮಗೆ ಭಾಷೆ ತಿಳಿದಿದ್ದರೆ ಮತ್ತು ರೆಕಾರ್ಡಿಂಗ್ ಗದ್ದಲದಿಂದ ಕೂಡಿದ್ದರೆ ಅಥವಾ ಉಚ್ಚಾರ ಭಾರವಾಗಿದ್ದರೆ, ಅದನ್ನು ಹೆಸರಿಸುವುದರಿಂದ ನಿಖರತೆ ಸುಧಾರಿಸುತ್ತದೆ.
ಸ್ವಚ್ಛ ಆಡಿಯೊ ಕೊಠಡಿಯಿಂದ ಉಂಟಾಗುವ ತಪ್ಪುಗಳನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ. ಆದರೆ ಪದಸಂಪತ್ತಿನಿಂದ ಉಂಟಾಗುವ ತಪ್ಪುಗಳಿಗೆ ಅದು ಏನೂ ಮಾಡುವುದಿಲ್ಲ, ಮತ್ತು ಅವುಗಳಿಗೆ ಬೇರೆ ರೀತಿಯ ನೆರವು ಬೇಕು.
ಫೋನ್‌ಗೆ ಯಾರು ಮಾತನಾಡುತ್ತಿದ್ದಾರೆ ಅಥವಾ ಭಾಷಣ ಏನನ್ನು ಕುರಿತಿದೆ ಎಂಬುದು ತಿಳಿದಿರುವುದಿಲ್ಲ, ಆದ್ದರಿಂದ ಉತ್ಪನ್ನದ ಹೆಸರು ಅಥವಾ ಉಪನಾಮ ಕೇವಲ ಅಂದಾಜು ಮಾಡಬೇಕಾದ ಇನ್ನೊಂದು ಶಬ್ದ. ಪ್ರಸಾರಕ್ಕೆ ಮುಂಚಿತವಾಗಿಯೇ ಏನು ನಿರೀಕ್ಷಿಸಬೇಕು ಎಂದು ಹೇಳಬಹುದು.
ನೀವು ಆರಂಭಿಸುವ ಮೊದಲು ಸ್ಕ್ರಿಪ್ಟ್ ಅಥವಾ ಸ್ಲೈಡ್‌ಗಳನ್ನು ಸೇರಿಸಿದರೆ, ಅವುಗಳಲ್ಲಿರುವ ಹೆಸರುಗಳು ಮತ್ತು ಪದಗಳು ಎಂಜಿನ್ ತಪ್ಪಾಗಿ ಕೇಳಿಸಿಕೊಂಡದ್ದಕ್ಕಿಂತ ಮೇಲುಗೈ ಸಾಧಿಸುತ್ತವೆ. ರೆಕಾರ್ಡಿಂಗ್ ನಡೆಯುತ್ತಿರುವಾಗ Script ಟ್ಯಾಬ್ ಭಾಷಣಕಾರರನ್ನು ಟೆಲಿಪ್ರಾಂಪ್ಟರ್‌ನಂತೆ ಹಿಂಬಾಲಿಸುತ್ತದೆ. ಸಮ್ಮೇಳನಗಳು ಮತ್ತು ಉಪನ್ಯಾಸಗಳನ್ನು ತುಂಬುವ ಭಾಷಣಕ್ಕೆ ಇದು ಒಂದೇ ಅತಿದೊಡ್ಡ ನಿಖರತೆ ಲಾಭ: ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ ಮಾದರಿ ಸಾಕಷ್ಟು ಬಾರಿ ಕೇಳದ ಸ್ವಂತ ನಾಮಪದಗಳು ಮತ್ತು ಪದಸಂಪತ್ತಿನಿಂದ ತುಂಬಿರುವ ಮಾತು.
ಉತ್ತಮ ಆಡಿಯೊ ಮತ್ತು ಗ್ಲಾಸರಿ ಬಹುತೇಕ ತಪ್ಪುಗಳನ್ನು ತೆಗೆದುಹಾಕುತ್ತವೆ. ಪ್ರಶ್ನೆ ಏನೆಂದರೆ ಉಳಿದ ತಪ್ಪುಗಳಿಗೆ ಏನಾಗುತ್ತದೆ.
ಉತ್ತಮ ಆಡಿಯೊ ಮತ್ತು ಸ್ಕ್ರಿಪ್ಟ್ ಇದ್ದರೂ ಕೆಲವು ಸಾಲುಗಳು ತಪ್ಪಾಗಿ ಬರುತ್ತವೆ. ವ್ಯತ್ಯಾಸ ಅದರ ನಂತರ ಏನಾಗುತ್ತದೆ ಎಂಬುದರಲ್ಲಿದೆ.
ಫೋನ್‌ನಲ್ಲಿ ಏನೂ ಆಗುವುದಿಲ್ಲ. ತಪ್ಪಾದ ಸಾಲು ಸ್ಕ್ರಾಲ್ ಆಗಿ ಹೋಗುತ್ತದೆ, ಮತ್ತು ಅದರ ಮೇಲೆ ನಿಂತಿದ್ದ ಅನುವಾದವೂ ಜೊತೆಗೆ ಹೋಗುತ್ತದೆ.
ಒಂದು ಬ್ರಾಡ್‌ಕಾಸ್ಟ್‌ನಲ್ಲಿ, ತುಂಬಾ ಅಸ್ಪಷ್ಟವಾದ ಸಾಲನ್ನು ಕೇಳುಗರಿಂದ "Audio unclear" ಎಂದು ಮರೆಮಾಡಲಾಗುತ್ತದೆ, ಸತ್ಯವೆಂದು ಹೇಳುವ ಬದಲು.
ನಂತರ ಆತಿಥೇಯರಿಗೆ ಒಂದು Fix ಟ್ಯಾಬ್ ಇದೆ: ಎಂಜಿನ್ ಖಚಿತವಿಲ್ಲದ ಪದಗಳನ್ನು ಬಣ್ಣ ಹಚ್ಚಬಹುದು ಮತ್ತು ಅಡಿಗೆರೆ ಎಳೆಯಬಹುದು, ಒಂದು ಕ್ಲಿಕ್ ಸಾಲನ್ನು ಪರಿಶೀಲನೆಗಾಗಿ ತೆರೆಯುತ್ತದೆ, ಮತ್ತು ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ಇನ್ನೂ ಲೈವ್ ಇರುವಾಗಲೇ ಯಾವುದೇ ಪದ ಅಥವಾ ಸಾಲನ್ನು ಮತ್ತೆ ಬರೆಯಬಹುದು. ಪ್ರತಿ ಕೇಳುಗನೂ ತನ್ನದೇ ಭಾಷೆಯಲ್ಲಿ ತಿದ್ದುಪಡಿಯನ್ನು ನೋಡುತ್ತಾನೆ. ಪ್ರತಿ ತಿದ್ದುಪಡಿಯೂ ಗುರುತಿಸಲ್ಪಟ್ಟಿರುತ್ತದೆ ಮತ್ತು ರದ್ದುಪಡಿಸಬಹುದು.
ಸರ್ವರ್ ಎಂದಿಗೂ ತಪ್ಪು ಮಾಡುವುದಿಲ್ಲ ಎಂಬುದು ಮುಖ್ಯವಲ್ಲ. ಮುಖ್ಯವಾದುದು ತಪ್ಪು ಕಾಣುವಂತಿರುತ್ತದೆ, ಕೊಠಡಿಯಲ್ಲಿರುವ ಒಬ್ಬರ ಹೊಣೆಯಲ್ಲಿರುತ್ತದೆ, ಮತ್ತು ಎಲ್ಲರಿಗೂ ಒಮ್ಮೆ ಸರಿಪಡಿಸಲ್ಪಡುತ್ತದೆ.
ತಿದ್ದುಪಡಿಗಳು ಕೇಳುಗರು ಓದುವುದನ್ನು ಸರಿಪಡಿಸುತ್ತವೆ. ಭಾಷಣವನ್ನು ಕೇಳಲು ಬಯಸುವ ಕೇಳುಗರಿಗೆ ಅದೇ ಸರಿಪಡಿಸಿದ ಪಠ್ಯ ಮಾತಿನ ರೂಪದಲ್ಲಿ ಸಿಗುತ್ತದೆ.
ಓದುವ ಬದಲು ಕೇಳಲು ಇಷ್ಟಪಡುವ ಕೇಳುಗರು ಪ್ರತಿ ಅನುವಾದಿತ ಸಾಲನ್ನು ಗಟ್ಟಿಯಾಗಿ ಓದಿಸಿಕೊಳ್ಳಬಹುದು. ಡೀಫಾಲ್ಟ್ ಆಗಿ, ಪ್ರತಿ ಭಾಷಣಕಾರರಿಗೆ ಲಿಂಗಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗುವ ವಿಶಿಷ್ಟ ಸಿದ್ಧ ಧ್ವನಿ ಸಿಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಪ್ಯಾನೆಲ್ ಇನ್ನೂ ಪ್ಯಾನೆಲ್‌ನಂತೆ ಕೇಳಿಸುತ್ತದೆ. ಪ್ರತಿ ಭಾಷಣಕಾರರಿಗೆ ಒಂದು ಧ್ವನಿಯನ್ನು ನೀವು ನಿಗದಿಪಡಿಸಬಹುದು, ಅಥವಾ ಒಬ್ಬರನ್ನು ಮ್ಯೂಟ್ ಮಾಡಬಹುದು.
ಭಾಷಣಕಾರರ ಅನುಮತಿಯೊಂದಿಗೆ, ಅವರ ಮಾತಿನ ಮೂವತ್ತು ಸೆಕೆಂಡ್‌ಗಳಿಂದ ಅವರ ಧ್ವನಿಯನ್ನು ಕ್ಲೋನ್ ಮಾಡಬಹುದು, ಅದು ಅಪ್‌ಲೋಡ್ ಮಾಡಿದ ಕ್ಲಿಪ್ ಆಗಿರಲಿ ಅಥವಾ ರೆಕಾರ್ಡಿಂಗ್‌ನಲ್ಲಿರುವ ಭಾಷಣಕಾರರಿಂದ ನೇರವಾಗಿ ತೆಗೆದುಕೊಂಡಿರಲಿ; ಕೆಲವು ನಿಮಿಷಗಳು ಇನ್ನೂ ಉತ್ತಮ ಫಲಿತಾಂಶ ನೀಡುತ್ತವೆ. ನಂತರ ಅನುವಾದವನ್ನು ಎಲ್ಲಾ ಭಾಷೆಗಳಲ್ಲೂ ಭಾಷಣಕಾರರ ಸ್ವಂತ ಧ್ವನಿಯಲ್ಲಿ ಓದಲಾಗುತ್ತದೆ. ಉಳಿಸಿರುವ ಧ್ವನಿಯನ್ನು ಹೊಂದಿರುವ ಭಾಷಣಕಾರರನ್ನು ನಂತರದ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳಲ್ಲಿಯೂ ಗುರುತಿಸಬಹುದು, ಆದರೂ ತಪ್ಪು ವ್ಯಕ್ತಿಯ ಹೆಸರು ಹೇಳುವುದಕ್ಕಿಂತ ಭಾಷಣಕಾರರನ್ನು ಹೆಸರಿಲ್ಲದೆ ಬಿಡುವುದನ್ನು ವ್ಯವಸ್ಥೆ ಆದ್ಯತೆ ನೀಡುತ್ತದೆ.
ಎರಡು ನಿಯಮಗಳು ಅನ್ವಯವಾಗುತ್ತವೆ, ಮತ್ತು ಅವು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿವೆ. ಕ್ಲೋನ್ ಮಾಡಿದ ಧ್ವನಿ ಒಂದು ಬಯೋಮೆಟ್ರಿಕ್ ಡೇಟಾ: ಅದನ್ನು ಭಾಷಣಕಾರರ ಸ್ಪಷ್ಟ ಒಪ್ಪಿಗೆಯೊಂದಿಗೆ ಮಾತ್ರ ತಯಾರಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಯಾವಾಗ ಬೇಕಾದರೂ ಅಳಿಸಬಹುದು. ಮತ್ತು ಧ್ವನಿ ಕೇವಲ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್ ಅಥವಾ ಅದರ ಅನುವಾದವನ್ನು ಮಾತ್ರ ಹೇಳುತ್ತದೆ; ಅದರ ಒಡೆಯ ಹೇಳದ ಯಾವುದನ್ನೂ ಹೇಳುವಂತೆ ಮಾಡಲು ಸಾಧ್ಯವಿಲ್ಲ.
ಇಲ್ಲಿಯವರೆಗಿನ ಎಲ್ಲವೂ ಭಾಷಣಕಾರರು ಮಾತನಾಡುತ್ತಿರುವಾಗಲೇ ನಡೆಯುತ್ತದೆ. ಕೊನೆಯ ವ್ಯತ್ಯಾಸ ಅವರು ನಿಲ್ಲಿಸಿದ ನಂತರ ಕಾಣಿಸುತ್ತದೆ.
ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಮುಚ್ಚಿದಾಗ ಫೋನ್‌ನ ಐವತ್ತು ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್‌ಗಳು ಮಾಯವಾಗುತ್ತವೆ. ಬ್ರಾಡ್‌ಕಾಸ್ಟ್ ರೆಕಾರ್ಡಿಂಗ್ ಅನ್ನು ನಿಮ್ಮ ಲೈಬ್ರರಿಯಲ್ಲಿ ಉಳಿಸುತ್ತದೆ: ಆಡಿಯೊ, ಮತ್ತು ಪ್ರತಿ ತಿದ್ದುಪಡಿ ಹಾಗೂ ಅನುವಾದದೊಂದಿಗಿನ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್. ಅಲ್ಲಿ ಅದನ್ನು ಸಾಲುವಾರು ಮರುಪ್ರಸಾರ ಮಾಡಬಹುದು, ಯಾವುದೇ ಭಾಷೆಯಲ್ಲಿ ಹುಡುಕಬಹುದು ಮತ್ತು ರಫ್ತು ಮಾಡಬಹುದು; ಲೈಬ್ರರಿ ಏನು ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ಒಂದು ಲಿಂಕ್, ಎಲ್ಲಾ ಭಾಷೆಗಳು ಮಾರ್ಗದರ್ಶಿ ವಿವರಿಸುತ್ತದೆ. ಎಷ್ಟು ಮಂದಿ ಇದ್ದರೂ ಕೇಳುಗರಿಗೆ ಯಾವುದೇ ವೆಚ್ಚವಿಲ್ಲ. ನೀವು ಟ್ರಾನ್ಸ್‌ಕ್ರೈಬ್ ಮಾಡಿದ ಆಡಿಯೊಗೆ ಪಾವತಿಸುತ್ತೀರಿ, ಲೈವ್‌ಗೆ ಪ್ರತಿ ಗಂಟೆಗೆ $0.60, ಪ್ರತಿ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್‌ಗೆ ಕನಿಷ್ಠ 5 ನಿಮಿಷ, ಮತ್ತು ಬೆಲೆ ಪುಟ ದರ ಪಟ್ಟಿಯನ್ನು ಒಳಗೊಂಡಿದೆ.
ಒಂದು ಸಣ್ಣ ಸಂಭಾಷಣೆಗೆ ಫೋನ್ ಪ್ರತಿ ಕೈಯಲ್ಲಿ ಇರುವುದು ಇನ್ನೂ ಒಳ್ಳೆಯ ಬದಲಿ ವ್ಯವಸ್ಥೆ. ಒಬ್ಬ ಭಾಷಣಕಾರರನ್ನು ಕೊಠಡಿಯಲ್ಲಿರುವವರೆಲ್ಲರೂ ಒಟ್ಟಿಗೆ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕಾದರೆ, ಮೂಲದಿಂದಲೇ ಒಮ್ಮೆ ಟ್ರಾನ್ಸ್‌ಕ್ರೈಬ್ ಮಾಡಬೇಕು, ಮತ್ತು ತಪ್ಪಾದದ್ದನ್ನು ಸರಿಪಡಿಸಬಲ್ಲ ಒಬ್ಬರು ಇರಬೇಕು. ಅದು ಹೇಗಿರುತ್ತದೆ ಎಂಬುದನ್ನು ಮುಖಪುಟದಲ್ಲಿರುವ ಸಂವಾದಾತ್ಮಕ ಡೆಮೊ ನಲ್ಲಿ ನೋಡಬಹುದು.
