Reāllaika transkripcija un tulkošana: kā darbojas tiešraides runas pārvēršana tekstā, cik tā atpaliek, kas ietekmē precizitāti un cik tas maksā.
Reāllaika transkripcija pārvērš runu tekstā, kamēr cilvēks vēl runā. Vārdi parādās ekrānā brīžus pēc izrunāšanas, nostiprinās galīgās rindās, un tos var lasīt ikviens, kas seko. Pievienojiet reāllaika tulkošanu, un katrs lasītājs var sekot tai pašai runai savā valodā, kā tekstu vai nolasītu balsī.
Šis ceļvedis aplūko reāllaika transkripciju un tulkošanu no abām pusēm: ko redz klausītājs, no kurienes var nākt audio, kas nosaka precizitāti, ko izstrādātāji saņem no API un cik tas viss maksā.
Reāllaika transkripcija, ko dēvē arī par tiešraides transkripciju vai tiešraides runas pārvēršanu tekstā, ir runas atpazīšana, kas darbojas, kamēr audio vēl nāk. Ierakstītu failu var transkribēt, turot rokās visu ierakstu. Tiešraides transkripcijai jāapņemas pie vārdiem, balstoties tikai uz pēdējām sekundēm, un jāiet līdzi runātājam tik ilgi, cik viņš runā.
Tiešraides subtitri ir tas pats, parādīts kā īsas rindas virs video vai uz ekrāna.
VocalStack tiešraides transkripcija var klausīties 100 valodās. Tā pati nosaka runāto valodu un seko runātājam, ja viņš to maina, ko izskaidro kā darbojas automātiskā valodas noteikšana, kopā ar to, kad valoda jānosauc iepriekš.
Teksts nāk divos posmos. Jaunākie vārdi vispirms parādās kā melnraksts, kas var mainīties, ienākot vairāk audio. Brīdi vēlāk melnraksts nostiprinās galīgā rindā, kas vairs nemainās.
Melnraksts pastāv tāpēc, ka atpazinējs lemj par vārdu daļēji pēc tā, kas seko. «Ice cream» un «I scream» skan līdzīgi, kamēr nav atnācis nākamais vārds. Pieņēmuma parādīšana agri ir tas, kas liek transkriptam justies kā tiešraidei.
Cik tālu aiz runātāja teksts atpaliek, atkarīgs no posma:
Divas aiztures atrodas ārpus šīs ķēdes. Ja avots ir publiska straume, nevis mikrofons, pati straume jau atpaliek no savas tiešraides malas: sekundi līdz trim vienkāršai interneta radio straumei un no dažām sekundēm līdz pusminūtei HLS. Un Pay as you go plānā tiešraides transkripcijas sākšanās var aizņemt līdz 15 sekundēm. Pilns sadalījums, ieskaitot aiztures režīmus Auto, Fast un Accuracy, ir rakstā Tiešraides tulkošanas aizture, izskaidrota.
Tulkošana darbojas virs transkripta. Tiešraides transkripciju var iztulkot līdz 10 valodām vienlaikus, izvēlētām no 100. Katrs klausītājs savā ierīcē izvēlas vienu no tām un var to mainīt jebkurā laikā; līdz šim transkripts parādās no jauna jaunajā valodā.
Katra valoda tiek tulkota no viena un tā paša transkripta, tāpēc katrs klausītājs saņem tos pašus vārdus, un labojums sasniedz visus.
Klausītājs, kurš labāk klausītos nekā lasītu, var likt katru iztulkoto rindu nolasīt skaļi. Pēc noklusējuma katrs runātājs saņem atšķirīgu gatavu balsi, kas atbilst viņa dzimumam, tāpēc diskusija joprojām skan kā vairāki cilvēki. Ar runātāja piekrišanu saimnieks var klonēt runātāja balsi no aptuveni 30 sekundēm, kad viņš runā viens, un tulkojums pēc tam tiek nolasīts viņa paša balsī.
Noteikums par balsīm ar nolūku ir šaurs. Balss nolasa tikai to, ko teica tas pats cilvēks, iztulkotu valodā, ko izvēlējies klausītājs. Tā nekad nenolasa tekstu, ko kāds ievada, un nekad nenolasa viena runātāja vārdus cita runātāja balsī.
Kā tas darbojas visai telpai, no saimnieka iestatīšanas līdz vēlu pienākušam klausītājam, aprakstīts rakstā Viena saite, katra valoda.
Tiešraides transkripcijai vajadzīgs audio avots. Šos avotus VocalStack šodien pieņem:
Subtitri paša YouTube atskaņotājā, izmantojot tā CC pogu, drīzumā būs pieejami. Līdz tam YouTube straumes skatītāji seko subtitriem pārraides saitē.
Ja šodien jums vajadzīga tiešraides transkripcija operētājsistēmā Windows, tur darbojas Chrome vai Edge paplašinājums, OBS spraudnis un Dashboard pārlūkā.
Pārraide ir veids, kā citi seko tiešraides transkripcijai. Tā ir viena saite un QR kods. Klausītāji to atver pārlūkā, izvēlas valodu un lasa līdzi. Viņiem nav vajadzīgs konts, viņi neko neinstalē un nemaksā neko: rēķins nemainās līdz ar klausītāju vai valodu skaitu.
Pārraide pēc noklusējuma ir publiska, un to var aizsargāt ar paroli. Ja pārdēvējat tās saiti, vecā turpina darboties, tāpēc programmā iespiests QR kods nepaliek novecojis. Viena pārraide var nest vairākas tiešraides transkripcijas, tāpēc divas skatuves var koplietot vienu saiti.
Klausītājs, kas pienāk vēlu, redz visu, kas teikts pirms viņa ienākšanas, un tad seko tiešraidē. Pēc tam skats Audience parāda, kurš klausījās, kādā valodā un kad pievienojās.
Pasākumiem daudzvalodu konferences kontrolsaraksts aptver audio, skatuves un budžetu, bet tiešraides transkripcija baznīcām, lekciju zālēm un domes sēžu zālēm aptver tās pašas iestatīšanas iknedēļas versiju.
Visu iepriekš minēto var izdarīt no koda. Tiešraides audio savā lietotnē API ir reāllaika sesijas: jūsu serveris veic vienu izsaukumu uz POST /v1/realtime/sessions ar API atslēgu un saņem īslaicīgu streamUrl. Jūsu klients atver tam WebSocket, sūta neapstrādātu audio, kamēr tas tiek tverts, un lasa transkriptu atpakaļ kā JSON kadrus.
Kadri seko tiem pašiem diviem posmiem, ko redz lasītājs. transcript.draft aizstāj tiešraides asti, transcript.committed pievieno galīgu rindu, un, ieslēdzot tulkošanu, ierodas veseli teikumi ar tiem pievienotajiem tulkojumiem. Mērķa valodas, runātāju iezīmes un aiztures režīmu var mainīt sesijas laikā ar session.update.
Reāllaika sesija neko neglabā. Kad vēlaties, lai vārdi tiktu saglabāti, labotīti un kopīgoti ar auditoriju, tā vietā publicējat audio tiešraides transkripcijai un pārraidei. Oficiālie SDK priekš TypeScript, Python un PHP iekapsulē abus, un MCP serveris ļauj MI asistentam izmantot to pašu kontu.
WebSocket pamācība soli pa solim izveido darbojošos subtitru skatu, un API atsauce satur katru lauku. API lietojums tiek apmaksāts pēc tās pašas likmes kā Dashboard.
Precizitāti lielākoties nosaka pirms jebkāda atpazinēja darbības, ar audio, ko tam dod. Vislielāko atšķirību rada četras lietas.
Mikrofons. Mikrofons tuvu runātājam vai padeve no vietas skaņas pults nes balsi ar nelielu telpas piejaukumu. Tālrunis uz galda dzird runātāju kopā ar atbalsi, krēsliem un klepu. Tas ir lielākais atsevišķais faktors, un kāpēc tālrunis nav pietiekams telpai izskaidro iemeslus.
Troksnis un pārklāšanās. Fona troksnis rada izkritušus un izdomātus vārdus, un divi cilvēki, kas runā vienlaikus, mulsina gan vārdus, gan to, kurš tos teicis. Audio transkripcijas kļūdas uzskaita septiņus bieži sastopamus cēloņus, kā katrs izskatās un kā to labot.
Atsauces scenārijs. Plaši zināmi vārdi un termini tiek atpazīti tādi, kādi ir. Uzņēmuma produktu nosaukumus, iekšēju saīsinājumu vai viesa neparasto uzvārdu iepriekš zināt nevar, tāpēc pirms sākšanas pievienojiet scenāriju vai slaidus, un tajos esošie vārdi un termini tiks uzrakstīti tieši tā, kā jūs tos uzrakstījāt.
Runātāju iezīmes. Iezīmes var būt Off, On vai When Needed, kas tās ieslēdz, tiklīdz dzirdams otrs runātājs. Runātāju nodalīšana pret runas atpazīšanu izskaidro, kā abas atbildes, kas tika pateikts un kurš to teica, ir atsevišķas un tiek labotas atsevišķi.
Aiztures režīms arī ir svarīgs: Fast izdod tekstu ātrāk, bet pārskata vairāk tā, Accuracy gaida mazliet ilgāk.
Viens precizitātes skaitlis pasaka mazāk, nekā šķiet. Vārdu kļūdu īpatsvars skaita nepareizu vārdu tāpat kā izlaistu «the», tāpēc ko mēra vārdu kļūdu īpatsvars un ko tas palaiž garām iestājas par to, ka sistēma jāvērtē pēc tā, kuras kļūdas tā ļauj pamanīt un labot.
Neviens tiešraides transkripts nav ideāls, tāpēc saimnieka ekrānā ir cilne Fix. Tā var atzīmēt vārdus, par kuriem atpazinējs bija nedrošs, un jebkuru rindu var atvērt un izlabot. Otrs cilvēks pie galda var tos izstrādāt, kamēr runātājs turpina.
Kad saimnieks pārraksta vārdu vai rindu, pat tādu, kas vēl tiek teikta, katrs klausītājs redz labojumu katrā valodā. Rinda, kas dzirdēta ar pārāk mazu pārliecību, klausītājiem tiek paslēpta kā «Audio unclear», nevis parādīta nepareizi; saimnieks to joprojām redz.
Ieraksts tiek saglabāts ar savu transkriptu, labojumiem un tulkojumiem. Pēc tam varat:
Cik ilgi tiek glabāts audio un transkripti, atkarīgs no plāna, un cenu lapā tas ir uzskaitīts.
Lielākā daļa tiešraides transkripcijas rīku demonstrācijā izskatās vienādi; atšķirības parādās tālāk esošajos jautājumos. Labās puses kolonna apraksta VocalStack tādu, kāds tas ir šodien.
| Jautājums | Kāpēc tas ir svarīgi | VocalStack |
|---|---|---|
| Kuras valodas tas var dzirdēt? | Rīks, kas nevar transkribēt runātāja valodu, nepalīdz, lai cik laba būtu tā tulkošana. | 100 valodas, tiek noteiktas automātiski, ar pārslēgšanos runas vidū |
| Cik tālu aiz runātāja ir teksts? | Lasītāji pamana augošu atstarpi vairāk nekā reizēm nepareizu vārdu. | Oriģinālteksts sekundes daļu aiz, tulkojums sekundi vai divas vēlāk; trīs aiztures režīmi |
| Vai tas tulko, un kurš izvēlas valodu? | Viena subtitru valoda uz viena ekrāna atstāj visus pārējos ārpusē. | Līdz 10 valodām katrai transkripcijai, katrs klausītājs izvēlas savu |
| Vai tas var izrunāt tulkojumu? | Daži klausītāji nevar lasīt līdzi vai labāk to nedara. | Pēc noklusējuma gatavas balsis; runātāja paša klonēta balss ar viņa piekrišanu |
| Kā auditorija to saņem? | Lietotnes un konti zaudē cilvēkus pie durvīm. | Viena saite un QR kods, bez konta, pēc izvēles parole |
| Vai kļūdas var labot tiešraidē? | Nepareizi sadzirdēts vārds, ko atkārto stundu, nodara īstu kaitējumu. | Tiešraides labojumi, kas tiek nosūtīti katram klausītājam |
| No kurienes var nākt audio? | Jūsu iekārtai nav jāmainās, lai atbilstu rīkam. | Mikrofons, pārlūka paplašinājumi, darbvirsmas lietotne, OBS, RTMP, straumju saites |
| Vai ir API? | Jūs, iespējams, vēlaties subtitrus savā produktā. | REST un WebSocket API, SDK, MCP serveris, tāda pati likme kā Dashboard |
| Kā tas tiek cenots? | Cenošana par klausītāju vai vietu aug līdz ar jūsu auditoriju. | Par audio sekundi; klausītāji un valodas bez maksas |
VocalStack jūs maksājat par transkribētā audio sekundi. Šīs rakstīšanas brīdī tiešraides transkripcija maksā $0.60 stundā un faili $0.20 stundā, katrā plānā, Dashboard un caur API vienādi. Tulkošana, balsis, kopsavilkumi, pārraide un klausītāji nekad nepievieno rēķinam, tāpēc vienas stundas runa, ko 200 cilvēki lasa piecās valodās, maksā tos pašus $0.60 kā tāda, ko neviens nelasa.
Plāni atšķiras dažos veidos:
Ja neviens nevēlas lasīt līdzi, kamēr tas notiek, augšupielādējiet ierakstu pēc tam pēc failu likmes. Pašreizējās cenas, glabāšanas laiks un ierobežojumi katram plānam ir cenu lapā.
Jauns VocalStack konts nāk ar $5 reģistrācijas kredītu un neprasa karti. Pie $0.60 stundā tas ir aptuveni astoņas stundas tiešraides transkripcijas, ar tulkošanu un pārraidi iekļautu. Pēc tam jūs maksājat par sekundi. Klausītāji vienmēr ir bez maksas.
Jā. Tiešraides transkripciju var iztulkot līdz 10 valodām vienlaikus, kamēr cilvēks runā. Tulkojums parādās sekundi vai divas pēc oriģinālteksta, un katrs klausītājs izvēlas savu valodu.
Tas lielākoties atkarīgs no audio. Tuvs mikrofons vai padeve no pults, maz fona trokšņa, viens runātājs vienlaikus un atsauces scenārijs ar vārdiem dod labākos rezultātus. Tiešraides labojumi ļauj saimniekam izlabot to, kas vēl ir nepareizs, kamēr runa turpinās.
Teksts oriģinālvalodā atpaliek no runātāja par sekundes daļu, un tulkojumi seko sekundi vai divas vēlāk. Publiska straume pievieno savu aizturi, pirms audio sasniedz VocalStack.
Jā, izmantojot Chrome vai Edge paplašinājumu, OBS Studio spraudni vai Dashboard pārlūkā. Darbvirsmas lietotne šodien ir macOS, un Windows drīzumā.
Nē. Klausītāji atver pārraides saiti vai noskenē tās QR kodu pārlūkā, izvēlas valodu un lasa. Nekas nav jāinstalē.
Atveriet Dashboard, sāciet tiešraides transkripciju no sava mikrofona un atveriet tās pārraides saiti tālrunī. Reģistrācijas kredīts sedz jūsu pirmās stundas, un jūs paši varat redzēt, kā melnraksti nostiprinās un tulkojums seko.