Tiesioginio vertimo tikslumą daugiausia lemia dar prieš veikiant modeliui – kur yra mikrofonas. Imkite garsą iš mikšerio pulto, o ne iš vietos dvyliktoje eilėje, transkribuokite vieną kartą, ir klaida tampa viena eilute, kurią visiems gali ištaisyti vienas žmogus.
Telefonų įmontuotos vertimo programos – tikras laimėjimas. Jos dažnai veikia kalbos modeliu, pakankamai mažu, kad tilptų į patį įrenginį ir jo bateriją (kai kurios garsą perduoda serveriui, kai yra ryšys). Trumpoms, aiškioms, kasdienėms frazėms jos atlieka darbą: klausiant kelio, skaitant meniu, pokalbyje prie prekystalio.
Kambarys, pilnas žmonių, klausančių vieno kalbėtojo, – kitokia problema. Dalykai, kurie realioje kalboje sugenda, yra tiksliai tie, su kuriais mažas modelis tvarkosi blogiausiai: reti žodžiai ir vardai, vienodai skambantys žodžiai („their“ ir „there“, „sail“ ir „sale“), techniniai terminai, akcentai, žmonės, kalbantys vienas per kitą, ir foninis triukšmas. Buriavimo klube modelis, išgirdęs „sale“, padarė pagrįstą spėjimą ir įsitikinusią klaidą.
Du dalykai verčia mažą modelį spėti labiau nei didelį. Jis suspaustas, kad tilptų telefone, todėl žino mažiau žodžių ir mažiau jų tarimo būdų; pavardę, kurios nebuvo sutikęs, jis apytiksliai nustato tik pagal garsus. Be to, tiesioginis atpažinimas turi pasirinkti žodį dar nesulaukęs likusios sakinio dalies, todėl modelis negali pasinaudoti tuo, kas būtų nulėmę tarp „sail“ ir „sale“: sekančiais žodžiais arba scenarijumi, kuris nurodo, apie ką kalbama. Kalbos atpažinime kontekstas tiksliai reiškia šiuos du dalykus: aplinkinius žodžius ir tai, kas iš anksto žinoma.
Kai modelis neužtikrintas, jis spėja. Vertimas tada sukuriamas ant to spėjimo, o skaitantysis neturi jokio būdo tai žinoti. Niekas salėje negali pamatyti, kad eilutė buvo klaidinga, juo labiau ją ištaisyti. Be to, salė – ne vienas klausytojas, o penkiasdešimt.
Telefonas girdi patalpą, o ne kalbėtoją. Priežastis – atstumas: atsegamas arba stalinis mikrofonas yra per kelis centimetrus nuo burnos, o telefonas dvyliktoje eilėje yra už dešimties metrų ar toliau, be to, didžioji dalis to, ką jis pagauna, pirmiausia atsimušė nuo sienų, lubų ir kėdžių atlošų. Atsispindėjęs garsas pasiekia vėluodamas ir išsitepęs. Ant viso to telefonas pagauna žmogų, kosėjantį dviem eilėmis atgal, kaimyno murmėjimą ir tai, ką garsiakalbiai daro balsui, kol jis pasiekia kitą salės galą. Kiekviena vieta gauna šiek tiek kitokį įrašą, todėl kiekviena vieta gauna šiek tiek kitokį nuorašą.
Telefonas taip pat verčia tik vienam žmogui. Penkiasdešimt dalyvių, iškeliančių penkiasdešimt telefonų, sukuria penkiasdešimt nepriklausomų to paties pranešimo nuorašų su penkiasdešimt skirtingų klaidų rinkinių. Du žmonės, palyginę užrašus vėliau, nesutars, kas buvo pasakyta. Tuo tarpu kalbėtojas kalba į pakeltų telefonų sieną, o tokią minią sunku perskaityti.
Kai kuriems salėje esantiems žmonėms tai – ne vien nepatogumas: nuo to priklauso, ar jie apskritai gali sekti kalbą. Žmogui, turinčiam klausos sutrikimą, arba tam, kuris seka trečiąja kalba, reikia vieno teisingo bendro teksto, o ne penkiasdešimties geriausių pastangų. Tai reiškia kalbėtoją transkribuoti vieną kartą ir visiems duoti tą patį rezultatą. Transkribavimas vieną kartą atsiperka tik tada, kai atliktas gerai, o tai prasideda nuo to, iš kur ateina garsas.
Nuorašas tik toks geras, koks geras garsas, iš kurio jis sudarytas. Todėl pirmas sprendimas yra ne tai, kurį modelį naudoti, o tai, kokį signalą jam paduoti. Antras – ką pasakyti modeliui prieš pradedant.
Tiesioginė transkripcija ima garsą iš ten, kur jau yra švarus signalas:
VocalStack pats paima URL srautą, todėl jūsų pusėje nieko nevyksta. RTMP srautas veikia atvirkščiai: jūsų kodavimo įrenginys jį išsiunčia. Kalbėtojo kalba aptinkama automatiškai, ir jis gali bet kada persijungti į kitą kalbą. Jei kalbą žinote, o įrašas triukšmingas arba stipriai su akcentu, jos nurodymas pagerina tikslumą.
Švarus garsas pašalina klaidas, kylančias dėl patalpos. Jis nieko nepadeda su klaidomis, kylančiomis dėl žodyno, o joms reikia kitokios pagalbos.
Telefonas neturi supratimo, kas kalba ar apie ką kalba paskaita, todėl gaminio pavadinimas ar pavardė jam tiesiog dar vienas garsas, kurį reikia apytiksliai atspėti. Transliacijai galima iš anksto pasakyti, ko tikėtis.
Jei prieš pradėdami pridėsite scenarijų ar skaidres, juose esantys vardai ir terminai nugali tai, ką variklis išgirdo klaidingai. Įrašymo metu skirtukas Script seka kalbėtoją kaip teleprompteris. Tai didžiausias vienas tikslumo padidėjimas tokiai kalbai, kuri užpildo konferencijas ir paskaitas: tankiai nukaupta tikrinių vardų ir žodyno, kurio nė vienas bendrosios paskirties modelis nėra girdėjęs pakankamai dažnai.
Geras garsas ir žodynas pašalina daugumą klaidų. Klausimas – kas nutinka likusioms.
Net su geru garsu ir scenarijumi kai kurios eilutės išeis neteisingos. Skirtumas – kas vyksta toliau.
Telefone – nieko. Neteisinga eilutė nuslysta, o vertimas, sukurtas ant jos, nuslysta kartu.
Transliacijoje eilutė, per neaiški, kad būtų verta ją rodyti, klausytojams paslepiama kaip „Audio unclear“, o ne pateikiama kaip faktas.
Tada yra vedėjas, turintis skirtuką Fix: žodžiai, kuriuose variklis buvo neužtikrintas, gali būti nuspalvinti ir pabraukti, paspaudus eilutę ji atsidaro peržiūrai, o bet kuris žodis ar eilutė gali būti perrašyta, kol transkripcija vyksta tiesiogiai. Kiekvienas klausytojas mato taisymą savo kalba. Kiekvienas pataisymas pažymėtas ir gali būti atšauktas.
Esmė ne ta, kad serveris niekada neklysta. Esmė ta, kad klaida matoma, ją valdo kas nors iš salės ir ji ištaisoma vieną kartą visiems.
Taisymai pakeičia tai, ką klausytojai skaito. Tie, kas norėtų geriau girdėti kalbą, gauna tą patį ištaisytą tekstą, įgarsintą.
Klausytojas, kuris nori klausytis, o ne skaityti, gali kiekvieną išverstą eilutę liepti perskaityti garsiai. Pagal numatytuosius nustatymus kiekvienam kalbėtojui priskiriamas skirtingas standartinis to paties lyties balsas, todėl skydas vis dar skamba kaip skydas. Galite priskirti balsą kiekvienam kalbėtojui arba vieną nutildyti.
Su kalbėtojo sutikimu galite žengti toliau ir klonuoti jo balsą iš trisdešimties sekundžių kalbos – įkėlus įrašą arba paėmus tiesiai iš kalbėtojo įrašo; kelių minučių pakanka geresniam rezultatui. Vertimas tada skaitomas kalbėtojo paties balsu visomis kalbomis. Kalbėtoją su išsaugotu balsu galima atpažinti ir vėlesniuose įrašuose, nors sistema geriau palieka kalbėtoją neįvardytą, nei įvardija ne tą žmogų.
Taikomos dvi taisyklės, ir jos sąmoningos. Klonuotas balsas yra biometriniai duomenys: jis daromas tik su aiškiu kalbėtojo sutikimu ir bet kada gali būti ištrintas. Balsas kalba tik transkriptą ar jo vertimą; jo negalima priversti pasakyti to, ko jo savininkas niekada nesakė.
Viskas, kas aprašyta iki šiol, vyksta kol kalbėtojas kalba. Paskutinis skirtumas pasirodo, kai jis nutyla.
Penkiasdešimt telefono nuorašų išnyksta uždarius programas. Transliacija palieka įrašą jūsų bibliotekoje: garsą ir nuorašą su kiekvienu taisymu ir vertimu. Ten jį galima atkurti eilutė po eilutės, ieškoti bet kuria kalba ir eksportuoti. Apie tai, ką daro biblioteka, pasakoja Viena nuoroda, visos kalbos. Klausytojai nieko nekainuoja, kad ir kiek jų būtų. Mokate už perrašytą garsą: $0.60 per valandą tiesioginiam transkribavimui, su 5 minučių minimumu kiekvienai transkripcijai. Kainų lentelė yra kainų puslapyje.
Telefonas kiekvienoje rankoje vis dar yra geras atsarginis variantas koridoriaus pokalbiui. Kambariui, kuris turi kartu suprasti vieną kalbėtoją, kalbėtojas turėtų būti transkribuojamas vieną kartą, iš šaltinio, su kuo nors, kas gali ištaisyti, kas nepavyksta. Kaip tai atrodo, galite pamatyti interaktyviame demonstraciniame pavyzdyje pagrindiniame puslapyje.
