Daudzvalodu telpai nav vajadzīga kabīne katrai valodai. Tai vajag vienu tīru audio plūsmu no galda, vienu saiti, ko auditorija atver savos tālruņos, un veidu, kā labot nepareizi sadzirdētu vārdu, kamēr runa vēl turpinās.
Runa, dievkalpojums, lekcija vai pašvaldības sēde ir viens runātājs un auditorija, kas ne visi domā šajā valodā. Parastās atbildes ir dārgas, daļējas vai privātas.
Dārgā atbilde ir tulks katrai valodai. Pat ar vienu tulku katrai valodai tas ir kabīne, uztvērēju komplekts un speciālists katrai valodai telpā, un šie speciālisti nesaka vienu un to pašu. Katrs tulks laika spiedienā pieņem savus lēmumus: kuru vārdu izvēlēties terminam, ko saīsināt, ko izlaist, kad runātājs paātrina. Parastā lekcijā atšķirības gandrīz nav manāmas. Juridiskā uzklausīšanā, pašvaldības balsojumā vai tehniskā briefingā tās ir svarīgas: definēts termins, deva vai punkts var franču klausītājiem nozīmēt vienu, bet arābu klausītājiem citu, un neviens telpā nevar to pamanīt. Daļējā atbilde ir subtitru plūsma uz viena ekrāna, tikai vienā otrajā valodā. Privātā atbilde ir piecdesmit tālruņi, kas turēti pret telpu: piecdesmit mazliet kļūdaini transkripti, katrs tālrunis dzird atbalsi un klepus tikpat skaidri kā runātāju.
Alternatīva ir vienreiz transkribēt runātāju no tīra avota, šo vienu transkriptu tulkot tajās valodās, kas vajadzīgas auditorijai, lai katra valoda sākas no tiem pašiem vārdiem, un ļaut katram klausītājam izvēlēties savā ierīcē. Ieraksts tiek saglabāts, kad pasākums beidzas. Tālāk ir aprakstīts, kā uzstādīt to vadītājam un klausītājam, un ko tas maksā.
Tiešraides transkripcija var klausīties mikrofonu jebkurā ierīcē, RTMP plūsmu no OBS vai cita kodētāja, kas pieņem servera URL un straumes atslēgu, YouTube tiešraidi, interneta radio staciju vai jebkuru URL, kas pārraida straumi. Straumes gadījumā VocalStack pats paņem audio; jūsu pusē nekas nedarbojas.
Avots ir svarīgāks par jebkuru iestatījumu. Telpas mikrofons vai uz galda novietots tālrunis dzird runātāju kopā ar telpu: atbalsi no sienām, krēsliem, auditorijas. Runas atpazīšana ievērojami pasliktinās, ja balss kļūst klusāka salīdzinājumā ar šo troksni, tāpēc tie piecdesmit tālruņi nesaskan savā starpā. Signāls no miksēšanas pults nes runātāja paša mikrofonu ar nelielu telpas daļu, tāpēc transkripts seko runātājam, nevis telpai. Ja vietā ir pults, ņemiet signālu no tās.
Ievades valoda tiek noteikta automātiski, un runātājs var jebkurā brīdī pārslēgties; ja valodu nosaucat iepriekš, tas palīdz trokšņainos ierakstos un spēcīgā akcentā. Runātāju iezīmes var būt izslēgtas, ieslēgtas vai When Needed, kas tās ieslēdz, tiklīdz tiek dzirdams otrs runātājs. Kad audio jau ienāk, klausītājiem jāzina, kur to atrast.
Pārraide ir saite: viena adrese un QR kods, ko klausītāji noskenē, lai atvērtu tiešraides tulkojumu un izvēlētos savu valodu. Saite tiek veidota no nosaukuma, ko dodat pārraidei. Ja to vēlāk pārdēvējat, vecā saite joprojām darbojas, tāpēc QR kods, kas iespiests programmā, nekļūst nederīgs.
Pārraide pēc noklusējuma ir publiska: ikviens ar saiti to var atvērt. Ja to padarāt privātu un iestatāt paroli, klausītājiem pirms transkripta parādīšanās tiek jautāta parole.
Vienu pārraidi var barot vairākas tiešraides transkripcijas, tāpēc konference ar divām skatuvēm joprojām dalās vienā saitē. Saite palīdz cilvēkiem ieiet; bet, lai viņi paliktu, ir svarīgi pareizi nosaukt vārdus.
Runas atpazinēji ir apmācīti uz to, kā cilvēki parasti runā, tāpēc, ja skaņa ir neskaidra, tie izvēlas biežāko vārdu. Produkta nosaukums, uzvārds, ciems, ķīmiskā viela: katram ir biežāks līdzskanīgs vārds, un tas parādās, ja atpazinējs netiek informēts, ka nāk retais vārds. Tieši tam ir skripts. Pirms sākuma pievienojiet skriptu vai slaidus, un tajos esošie vārdi un termini uzvarēs pār to, kas tika sadzirdēts nepareizi. Tieši šeit runas atpazīšana parasti krīt specializētā runā. Ierakstīšanas laikā cilnē Script seko kā teleprompteris un izgaismo jau izrunātos vārdus.
Tas ir viss uzstādījums. Saites otrajā pusē darāmā ir vēl mazāk.
Klausītājam vajag saiti vai QR kodu un tālruni. Viņš atver saiti pārlūkprogrammā un redz Pārraide vēl nav sākusies, līdz vadītājs nospiež ierakstīšanu, pēc tam Tiešraide. Pirmā rindiņa parādīsies drīz. Viņš izvēlas no valodām, ko izvēlējās vadītājs (līdz 10 katrai transkripcijai no 100 pieejamajām), un lasa transkriptu, kamēr runātājs runā. Vadītājs turpina runāt savā valodā. Klausītājs jebkurā brīdī var mainīt valodu; līdz šim izrunātais transkripts tiek parādīts no jauna jaunajā valodā.
Ja klausītājs dod priekšroku klausīties, katra tulkotā rindiņa tiek nolasīta skaļi. Pēc noklusējuma katram runātājam tiek piešķirta atšķirīga standarta balss ar atbilstošu dzimumu, tāpēc panelis joprojām skan kā panelis.
Trīs posmi notiek secīgi, un katrs gaida iepriekšējo. Atpazīšanai vajag runas posmu, pirms tā var apstiprināt vārdus, tāpēc transkripts atpaliek no runātāja par daļu sekundes. Tulkošanai vajag veselu frāzi, jo vārdu kārtība valodās atšķiras un teikuma beigas var mainīt sākumu, tāpēc tā seko vienu vai divas sekundes vēlāk. Runai vajag tulkoto teikumu, pirms tā var sākties, tāpēc runātā rindiņa nāk pēdējā. Nekas no tā nav kļūda, ko vajadzētu novērst; tā ir tas, ko jebkurai sistēmai šie trīs darbi prasa, arī cilvēkam tulkam, kurš arī gaida darbības vārdu.
Ar runātāja atļauju vadītājs var klonēt runātāja balsi no trīsdesmit sekundēm, kad šī persona runā viena pati (MP3, M4A vai WAV; labāk daži minūtes). Tulkojums tad tiek nolasīts runātāja pašas balsī visās valodās. Balsi jāuzskata par biometriskiem datiem. Saskaņā ar VDAR, balss dati, kas apstrādāti, lai atpazītu personu, parasti ietilpst 9. panta īpašajās kategorijās, un dažos ASV štatos, starp tiem Ilinoisā, balsu nospiedumi tiek regulēti atsevišķi. Iegūstiet runātāja nepārprotamu piekrišanu, pirms paraugs tiek ierakstīts, nevis pēc tam; balsi var dzēst jebkurā laikā. Klonēšana arī reģistrē runātāju, tāpēc nākamajos ierakstos viņš tiks iezīmēts ar vārdu. Vadītājs var piešķirt katram runātājam balsi vai izslēgt kādu.
Klausītājs, kas ierodas vēlu, redz visu, kas pateikts pirms viņa ierašanās, un pēc tam seko tiešraidei. Ja savienojums pārtrūkst, lapa pati atkal panāk, kad savienojums atgriežas. Kad vadītājs pauzē, klausītāji redz Pauze. Transkripts turpināsies, kad vadītājs atsāks. Kad vadītājs aptur, lapa rāda ieraksta datumu un garumu, un pārraide uzskaita iepriekšējos ierakstus atskaņošanai.
Klausītājs var lasīt tikai to, ko dzirdējis motors, un tiešraides atpazīšana dažu daļu sajauc.
Vadītāja ekrānā šim ir cilne Fix. Mark uncertain words iekrāso un pasvītro vārdus, par kuriem motors bija nedrošs; Click to correct atver rindiņu pārskatīšanai. Cilne apstaigā nedrošos segmentus pa vienam, tāpēc otra persona pie galda var tos izskatīt, kamēr runātājs turpina.
Kad vadītājs pārraksta vārdu vai rindiņu, pat tādu, kas vēl tiek izrunāta, katrs klausītājs redz labojumu. Rindiņa, kuras ticamība ir par zemu, klausītājiem tiek paslēpta kā Audio nav skaidrs, nevis parādīta nepareizi; vadītājs joprojām redz katru vārdu. Tukša vieta ir zināms caurums; pārliecināts nepareizs vārds ir baumas.
Šie labojumi nepazūd, kad runa beidzas.
Viss tiek saglabāts. Ieraksts, tā transkripts ar labojumiem un tulkojumiem, kā arī audio nonāk vadītāja bibliotēkā. Atskaņošana atkārto to tieši tā, kā tas tika saņemts, rindiņu pa rindiņai, ar audio. Kad vārdi ir galīgi, nosaukums un kopsavilkums tiek uzrakstīti katrā valodā, un vadītāja ekrāna cilnes Summary un Export tos izved tieši no pasākuma.
Eksporti ir SRT subtitri, PDF, Excel vai JSON, ar labojumiem un tulkojumiem, un audio tiek lejupielādēts kā MP3. Katru transkriptu var meklēt jebkurā valodā.
Cilne Audience parāda, kas klausījās, kādā valodā un kad pievienojās: bieži vien tas ir pirmais reālais skaits, ko organizators saņem par to, kam vajadzēja kādu valodu. Līdz tam parasti lietoja aptuvenu novērtējumu: kas pacēla roku, kad angliski tika jautāts, vai kādam vajag tulkojumu. Klausītāju identifikatori tiek dzēsti kopā ar ierakstu.
Runas atpazīšana, runātāju atpazīšana un balss sintēze darbojas serveros, ko mēs uzturam, un jūsu audio datu apstrādei netiek nosūtīts neviens trešajai pusei. Mēs neizmantojam jūsu audio, transkriptus vai balsis modeļu apmācībai.
Glabāšanas laiks seko plānam: Pay as you go plānā avota audio un balsis tiek glabāti 7 dienas, bet transkripti – 30 dienas; Premium un Enterprise tos glabā visu konta darbības laiku. Otra lieta, ko izlemj plāns, ir rēķins.
Ir divi svarīgi skaitļi. Pay as you go un Premium plānos tiešraides transkripcija maksā $0.60 par stundu audio, tiek norēķināts par katru sekundi ar 5 minūšu minimumu par transkripciju, gan vadības panelī, gan caur API. Enterprise plānā ir apjoma cenas. Klausītāji un valodas ir bez maksas: viena stunda garš pasākums, kas tiek tulkots piecās valodās, ko noklausās divi simti cilvēku, maksā $0.60. Faili ir lētāki ($0.20 par stundu), jo tiešraides transkripcija darbojas reālā laikā visā pasākuma garumā. Plāni atšķiras pēc vienlaicīgo darbību skaita, maksimālā ieraksta garuma un palaišanas ātruma; Pay as you go plānā aukstais starts var aizņemt līdz 15 sekundēm, tāpēc nospiediet ierakstīšanu mazliet pirms runātājs to dara, aptuveni vienu jautājumu “Vai visi aizmugurē mani dzird?” agrāk. Pilna tabula atrodama cenu lapā.
Sākumlapā ir divu tālruņu demonstrācija, un jauns konts vadības panelī saņem $5 reģistrācijas kredītu bez nepieciešamas kartes. Pēc tiešraides tarifa šis kredīts sedz vairāk nekā astoņas stundas pārraides.
Vai izvēlaties starp šo un tiešraides tulkošanu, kas iebūvēta katra tālrunī? Izlasiet kāpēc tālrunis nav pietiekams telpai. Pilnam pasākumam daudzvalodu konferences kontrolsaraksts aptver audio ceļu, vairākus posmus vienā saitē un budžetu. Izstrādātāji var visu to darīt no koda, izmantojot API atsauci, tajā pašā tarifā.
