다국어 방에 필요한 것은 언어마다 하나씩 있는 부스가 아닙니다. 진행자 책상에서 나오는 깨끗한 오디오 한 줄기, 청중이 자기 휴대폰으로 여는 링크 하나, 그리고 발표가 진행되는 동안 잘못 들린 이름을 고칠 방법입니다.
강연, 예배, 강의 또는 시의회 회의에는 한 사람이 말하고, 청중이 모두 그 언어로 생각하지는 않습니다. 흔히 쓰는 해결책은 비용이 많이 들거나, 일부만 해결하거나, 개인적으로 처리하는 방식입니다.
비용이 많이 드는 해결책은 언어마다 통역사를 두는 것입니다. 언어마다 한 명씩 두더라도 부스, 수신기 세트, 그리고 방 안의 언어마다 전문가가 필요합니다. 그런데 통역사들이 같은 말을 하지는 않습니다. 각 통역사는 시간에 쫓기며 자기 나름의 선택을 합니다. 용어를 어떤 단어로 옮길지, 무엇을 줄일지, 발표자가 빨라지면 무엇을 빼버릴지 말입니다. 일반적인 강연에서는 이런 차이가 거의 문제가 되지 않습니다. 하지만 법정 심리, 시의회 표결, 기술 브리핑에서는 다릅니다. 정해진 용어, 용량, 또는 조항이 프랑스어 청취자에게는 한 가지 뜻으로, 아랍어 청취자에게는 다른 뜻으로 전달될 수 있고, 방 안의 누구도 그것을 알아챌 위치에 있지 않습니다. 부분적인 해결책은 화면 하나에 나오는 자막 피드로, 보조 언어가 한 가지뿐입니다. 개인적인 해결책은 방을 향해 든 휴대폰 50대입니다. 각각 조금씩 틀린 전사본이고, 각 휴대폰은 발표자의 목소리만큼 메아리와 기침 소리도 선명하게 듣습니다.
대안은 발표자를 깨끗한 음원에서 한 번만 전사하고, 그 전사본 하나를 청중에게 필요한 언어로 번역하는 것입니다. 그러면 모든 언어가 같은 말에서 출발하고, 각 청취자는 자신의 기기에서 언어를 고릅니다. 행사가 끝나면 녹음본이 보관됩니다. 진행자와 청취자가 각각 어떻게 설정하는지, 그리고 비용이 얼마인지 살펴보겠습니다.
실시간 전사는 어떤 기기의 마이크, 서버 URL과 스트림 키를 받는 OBS 또는 기타 인코더의 RTMP 피드, YouTube 라이브, 인터넷 라디오 방송, 또는 스트림을 제공하는 모든 URL에서 음성을 받을 수 있습니다. 스트림의 경우 VocalStack이 직접 오디오를 가져오므로 사용자 쪽에서 따로 실행할 것은 없습니다.
설정 항목보다 음원이 훨씬 중요합니다. 방 마이크나 테이블 위의 휴대폰은 발표자와 함께 방의 소리도 듣습니다. 벽, 의자, 청중에게서 반사된 잔향까지 말이죠. 음성이 그 소음에 비해 작아질수록 음성 인식 정확도는 급격히 떨어지며, 그래서 그 휴대폰 50대가 서로 다른 결과를 내는 것입니다. 믹싱 데스크에서 나오는 피드에는 발표자 본인의 마이크 소리가 담기고 방의 소리는 거의 들어가지 않으므로, 전사본은 방이 아니라 발표자를 따라갑니다. 행사장에 데스크가 있다면 그곳에서 피드를 받으세요.
발화 언어는 자동으로 감지되며, 발표자는 언제든 언어를 바꿀 수 있습니다. 미리 언어를 지정해 두면 잡음이 많은 녹음이나 강한 억양에서 도움이 됩니다. 화자 레이블은 끄거나 켤 수 있고, When Needed로 설정할 수도 있습니다. 이 경우 두 번째 화자가 들리면 레이블이 켜집니다. 오디오가 들어오기 시작하면 청중이 그것을 찾을 곳이 필요합니다.
방송 자체가 링크입니다. 하나의 주소와 QR 코드가 있으며, 청취자는 이를 스캔해 실시간 번역을 열고 언어를 고릅니다. 링크는 방송에 붙인 이름으로 만들어집니다. 나중에 이름을 바꿔도 옛 링크는 계속 작동하므로, 프로그램북에 인쇄한 QR 코드가 무효가 되지 않습니다.
방송은 기본적으로 공개입니다. 링크를 가진 누구나 열 수 있습니다. 비공개로 바꾸고 비밀번호를 설정하면, 청취자는 전사본이 보이기 전에 비밀번호를 입력해야 합니다.
하나의 방송에는 여러 실시간 전사를 연결할 수 있으므로, 무대가 두 개인 컨퍼런스도 하나의 링크를 공유합니다. 링크는 사람들을 들어오게 하고, 그들을 머물게 하는 것은 이름을 정확히 맞히는 일입니다.
음성 인식기는 사람들이 보통 말하는 방식으로 학습되므로, 소리가 모호하면 흔한 단어를 고릅니다. 제품명, 성, 마을 이름, 화학물질 등 각각에는 더 흔한 유사 발음 단어가 있고, 인식기에 희귀한 단어가 나올 것이라고 알려주지 않으면 그 단어가 결과로 나옵니다. 스크립트가 바로 그 역할을 합니다. 시작하기 전에 스크립트나 슬라이드를 추가하면, 그 안의 이름과 용어가 잘못 들린 결과보다 우선합니다. 전문 발표에서 인식이 보통 실패하는 곳이 바로 이런 이름과 용어입니다. 녹음 중에는 Script 탭이 텔레프롬프터처럼 따라가며, 지금까지 발화된 단어에 불을 켭니다.
이것으로 설정은 끝입니다. 링크 반대편에서는 할 일이 훨씬 적습니다.
청취자에게는 링크나 QR 코드, 그리고 휴대폰 한 대만 있으면 됩니다. 브라우저에서 링크를 열면 진행자가 녹음 버튼을 누르기 전까지 The broadcast hasn't started yet(방송이 아직 시작되지 않았습니다)이 보이고, 그다음에는 Live. The first line appears in a moment.(라이브. 잠시 후 첫 줄이 나타납니다)이 보입니다. 청취자는 진행자가 고른 언어 중에서 선택하고(전사당 최대 10개, 사용 가능한 100개 중에서), 발표자가 말하는 동안 전사본을 읽습니다. 진행자는 계속 자기 언어로 말합니다. 청취자는 언제든 언어를 바꿀 수 있으며, 그때까지의 전사본이 새 언어로 다시 표시됩니다.
듣기를 선호하는 청취자에게는 번역된 각 줄을 소리 내어 읽어 줍니다. 기본적으로 각 화자는 성별이 맞는 서로 다른 기본 음성을 받으므로, 패널 토론도 여러 목소리로 들립니다.
세 단계는 순서대로 일어나며, 각 단계는 앞 단계를 기다립니다. 인식은 단어를 확정하기 전에 일정한 길이의 발화가 필요하므로, 전사본은 발표자보다 몇 분의 일 초 늦게 따라갑니다. 번역은 문장 전체가 필요합니다. 언어마다 어순이 다르고 문장 끝이 앞부분의 뜻을 바꿀 수 있기 때문에, 번역은 1~2초 뒤에 따라옵니다. 음성은 번역된 문장이 있어야 시작할 수 있으므로, 말하는 줄은 맨 마지막에 나옵니다. 이것은 줄여야 할 결함이 아니라, 이 세 가지 일을 하는 모든 시스템이 거쳐야 하는 과정입니다. 사람 통역사도 동사가 나올 때까지 기다린다는 점에서 마찬가지입니다.
발표자의 허락을 받으면, 진행자는 발표자가 혼자 말하는 30초 분량(MP3, M4A 또는 WAV 파일이며, 몇 분이면 더 좋습니다)으로 발표자의 목소리를 복제할 수 있습니다. 그러면 번역문이 모든 언어에서 발표자 본인의 목소리로 읽힙니다. 목소리 자체가 생체 데이터라는 점을 기억하세요. GDPR에 따라, 사람을 식별하기 위해 처리되는 음성 데이터는 대체로 제9조의 특별 범주에 해당하며, 일리노이주를 포함한 일부 미국 주는 음성 지문을 별도로 규율합니다. 샘플을 녹음하기 전에, 사후가 아니라 사전에 발표자의 명시적 동의를 받으세요. 음성은 언제든 삭제할 수 있습니다. 또한 복제는 발표자를 등록하는 것이기도 하므로, 이후 녹음에서 이름으로 표시됩니다. 진행자는 화자마다 음성을 지정하거나 한 명을 음소거할 수 있습니다.
늦게 도착한 청취자는 들어오기 전에 말한 모든 내용을 보고, 그 뒤부터는 실시간으로 따라갑니다. 연결이 끊기면 연결이 돌아오는 순간 페이지가 스스로 따라잡습니다. 진행자가 일시 정지하면 청취자에게는 Paused. The transcript continues when the host resumes.(일시 정지됨. 진행자가 재개하면 전사본이 이어집니다)가 보입니다. 진행자가 녹음을 중지하면 페이지에 녹음의 날짜와 길이가 표시되고, 방송에는 지난 녹음 목록이 나와 다시 들을 수 있습니다.
청취자가 읽을 수 있는 것은 엔진이 들은 내용뿐이며, 실시간 인식은 그중 일부를 틀리게 듣습니다.
진행자 화면에는 바로 이런 경우를 위한 Fix 탭이 있습니다. Mark uncertain words는 엔진이 확신하지 못한 단어에 색을 입히고 밑줄을 긋고, Click to correct는 검토할 줄을 엽니다. 이 탭은 불확실한 구간을 하나씩 안내하므로, 발표자가 계속 말하는 동안 책상에 앉은 두 번째 사람이 그것들을 차례로 처리할 수 있습니다.
진행자가 단어나 줄을 다시 쓰면, 아직 말하는 중인 줄이라도 모든 청취자가 그 수정을 봅니다. 신뢰도가 너무 낮은 줄은 틀린 채로 보여 주지 않고, 청취자에게는 Audio unclear(음성이 불분명함)로 숨겨집니다. 진행자 화면에는 여전히 모든 단어가 보입니다. 빈칸은 알려진 공백이고, 확신에 찬 오답은 헛소문입니다.
이 수정들은 행사가 끝나도 사라지지 않습니다.
모든 것이 보관됩니다. 녹음, 수정과 번역이 반영된 전사본, 그리고 오디오가 진행자의 보관함에 저장됩니다. 다시 듣기는 들어온 그대로, 줄 단위로, 오디오와 함께 재생합니다. 단어가 확정되면 모든 언어로 제목과 요약이 작성되며, 진행자 화면의 Summary 탭과 Export 탭이 이것들을 행사에서 바로 가져갑니다.
내보내기는 SRT 자막, PDF, Excel 또는 JSON으로 제공되며, 수정과 번역이 포함됩니다. 오디오는 MP3로 다운로드됩니다. 모든 전사본은 어떤 언어로든 검색할 수 있습니다.
Audience 보기에는 누가 들었는지, 어떤 언어로 들었는지, 언제 들어왔는지가 표시됩니다. 주최자가 어떤 언어가 필요한지 처음으로 실제 인원수를 파악하는 경우가 많습니다. 그전까지 흔히 쓰던 추정치는 영어로 번역이 필요한지 묻는 질문에 손을 든 사람의 수였습니다. 청취자 식별자는 녹음과 함께 삭제됩니다.
음성 인식, 화자 인식 및 음성 합성은 우리가 운영하는 서버에서 실행되며, 여러분의 오디오는 처리를 위해 제3자에게 전송되지 않습니다. 우리는 여러분의 오디오, 전사본 또는 음성을 모델 학습에 사용하지 않습니다.
보관 기간은 요금제를 따릅니다. 종량제에서는 원본 오디오와 음성을 7일, 전사본을 30일 보관하며, Premium과 Enterprise는 계정이 유지되는 동안 보관합니다. 요금제가 또 하나 정하는 것은 청구 금액입니다.
두 가지 숫자가 중요합니다. 종량제와 Premium에서 실시간 전사는 오디오 시간당 $0.60이며, 초 단위로 과금되고 전사당 최소 5분이 적용됩니다. 대시보드에서든 API를 통해서든 동일합니다. Enterprise는 대량 요금을 적용합니다. 청취자와 언어는 무료입니다. 200명이 다섯 개 언어로 듣는 한 시간짜리 행사는 $0.60입니다. 파일 전사는 더 저렴합니다(시간당 $0.20). 실시간 전사는 행사 전체 동안 실시간으로 돌아가기 때문입니다. 요금제마다 동시 처리 수, 최대 녹음 길이, 시작 속도가 다릅니다. 종량제에서는 콜드 스타트에 최대 15초가 걸릴 수 있으므로, 발표자보다 조금 먼저 녹음을 누르세요. 대략 "뒤에 앉으신 분들, 제 목소리 잘 들리시나요?"라는 질문보다 한 박자 먼저면 됩니다. 전체 요금표는 요금제 페이지에 있습니다.
홈페이지에서 휴대폰 두 대로 하는 데모를 볼 수 있으며, 대시보드의 새 계정에는 $5 가입 크레딧이 제공되고 카드가 필요 없습니다. 실시간 요율로는 그 크레딧으로 8시간 이상 방송할 수 있습니다.
이것과 모든 사람의 휴대폰에 내장된 실시간 번역 중에서 고민 중이라면, 휴대폰만으로는 방을 감당하기 어려운 이유를 읽어 보세요. 행사 전체를 준비한다면, 다국어 컨퍼런스 체크리스트가 오디오 경로, 하나의 링크에 여러 무대 연결하기, 예산을 다룹니다. 개발자는 같은 요율로 API 레퍼런스를 통해 코드에서 이 모든 작업을 할 수 있습니다.
