Tiešraides tulkojuma precizitāti lielākoties nosaka jau pirms modeļa darbības sākuma – tas, kur atrodas mikrofons. Ņemiet audio no mikšu pults, nevis no rindas numur divpadsmit, transkribējiet to vienreiz, un kļūda kļūst par vienu rindiņu, ko var izlabot visiem.
Tālruņos iebūvētās tulkošanas lietotnes ir īsts sasniegums. Tās bieži izmanto runas modeli, kas ir pietiekami mazs, lai iederētos ierīcē un neizsmeltu akumulatoru (dažas audio nosūta serverim, kad ir savienojums), un īsiem, skaidriem, ikdienas teikumiem tās veic savu darbu: ceļa jautāšana, ēdienkartes lasīšana, saruna pie letes.
Istaba pilna cilvēku, kas klausās vienu runātāju, ir citāds uzdevums. Lietas, kas reālā runā noiet greizi, ir tieši tās, ar ko mazs modelis tiek galā vissliktāk: neparasti vārdi un uzvārdi, vārdi, kas skan līdzīgi („their” un „there”, „sail” un „sale”), tehniskie termini, akcenti, cilvēki, kas runā vienlaikus, un fona troksnis. Buru klubā modelis, kas sadzird „sale”, ir pieņēmis saprātīgu minējumu un pārliecinātu kļūdu.
Divas lietas liek mazajam modelim minēt vairāk nekā lielajam. Tas ir saspiests, lai iederētos tālrunī, tāpēc zina mazāk vārdu un mazāk veidu, kā tos pateikt; uzvārdu, ko tas nav redzējis, tas tikai tuvina pēc skaņas. Turklāt tiešraides atpazīšanai jāizvēlas vārds jau pirms pārējais teikums ir nonācis līdz galam, tātad modelis nevar izmantot to, kas būtu izšķīris „sail” pret „sale”: nākamos vārdus vai skriptu, kas pastāsta, par ko ir runa. Runas atpazīšanā kontekstu veido tieši šīs divas lietas: apkārtējie vārdi un tas, kas ir zināms iepriekš.
Kad modelis nav pārliecināts, tas mini. Tulkojums tad balstās uz minējumu, un lasītājs to nevar zināt. Neviens zālē nevar redzēt, ka rinda bija nepareiza, un vēl jo mazāk to izlabot. Turklāt zālē nav viens klausītājs, bet piecdesmit.
Tālrunis klausās telpu, nevis runātāju. Iemesls ir attālums: piespraužamais mikrofons vai galda mikrofons atrodas dažus centimetrus no mutes, bet tālrunis rindā numur divpadsmit ir desmit metru vai vēl tālāk, un lielākā daļa skaņas, kas tam sasniedz, vispirms ir atsitusies pret sienām, griestiem un krēslu atzveltnēm. Atstarotā skaņa atnāk novēloti un izplūdusi. Turklāt tālrunis uztver kāda klepu divas rindas aizmugurē, kaimiņa murminu un to, ko skaļruņi dara ar balsi, kamēr tā šķērso zāli. Katrā vietā ir nedaudz cits ieraksts, tātad katrā vietā ir nedaudz cits transkripts.
Tālrunis arī tulko vienam cilvēkam. Piecdesmit dalībnieki, kas paceļ piecdesmit tālruņus, iegūst piecdesmit neatkarīgus tās pašas runas transkriptus ar piecdesmit dažādām kļūdām. Divi cilvēki, kas pēc tam salīdzina piezīmes, nevienojas par to, kas tika sacīts. Savukārt runātājs runā pret tālruņu sienu, un tā ir grūti lasāma publika.
Dažiem zāles cilvēkiem tas ir vairāk nekā neērtība: tas izlemj, vai viņi vispār var sekot runai. Dzirdes traucējumu skartam dalībniekam vai tam, kas seko trešajā valodā, vajadzīgs viens pareizs kopīgs teksts, nevis piecdesmit labākie mēģinājumi. Tas nozīmē runātāju transkribēt vienreiz un visiem dot to pašu rezultātu. Vienreizēja transkripcija atmaksājas tikai tad, ja tā ir labi izdarīta, un tas sākas ar to, no kurienes nāk audio.
Transkripts ir tikai tik labs, cik audio, no kura tas veidots. Tāpēc pirmais lēmums nav tas, kuru modeli izmantot, bet tas, kuru signālu tam padot. Otrais ir tas, ko pateikt modelim, pirms tas sāk.
Tiešraides transkripcija ņem audio no tās vietas, kur tīrs signāls jau ir:
VocalStack pats nolasa URL plūsmu, tāpēc jūsu pusē nekas nedarbojas. RTMP plūsma darbojas otrādi: kodētājs to nosūta pats. Runātāja valoda tiek noteikta automātiski, un viņš var jebkurā brīdī mainīt valodu. Ja valoda ir zināma un ieraksts ir trokšņains vai stipri ar akcentu, tās nosaukšana uzlabo precizitāti.
Tīrs audio novērš kļūdas, ko rada telpa. Tas nedara neko ar kļūdām, ko rada vārdu krājums, un tām vajadzīga cita palīdzība.
Tālrunim nav ne jausmas, kas runā vai par ko ir runa, tāpēc produkta nosaukums vai uzvārds ir vienkārši vēl viena skaņa, ko tuvināt. Pārraidi var iepriekš pateikt, ko sagaidīt.
Ja pirms sākuma pievienojat skriptu vai slaidus, tajos esošie nosaukumi un termini uzvar pār to, ko modelis sadzirdējis nepareizi. Ierakstīšanas laikā cilnē Script runātājam seko kā teleprompteris. Tas ir lielākais vienīgais precizitātes ieguvums tai runas veidam, kas piepilda konferences un lekcijas: pārblīvēta ar īpašvārdiem un vārdu krājumu, ko neviens vispārējs modelis nav dzirdējis pietiekami bieži.
Labs audio un glosārijs novērš lielāko daļu kļūdu. Jautājums ir, kas notiek ar atlikušajām.
Pat ar labu audio un skriptu dažas rindas iznāks nepareizi. Atšķirība ir tajā, kas notiek tālāk.
Tālrunī – nekas. Nepareizā rinda aizslīd garām, un tulkojums, kas uz tās balstīts, aizslīd līdzi.
Pārraidē rinda, kas ir pārāk neskaidra, lai to būtu vērts rādīt, klausītājiem tiek paslēpta kā „Audio unclear”, nevis pasniegta kā fakts.
Pēc tam ir saimnieks ar cilni Fix: vārdi, par kuriem dzinējs nebija pārliecināts, var tikt iekrāsoti un pasvītroti, klikšķis atver rindu pārskatīšanai, un jebkuru vārdu vai rindu var pārrakstīt, kamēr tiešraide vēl turpinās. Katrs klausītājs redz labojumu savā valodā. Katrs labojums ir atzīmēts, un to var atsaukt.
Lieta nav tajā, ka serveris nekad nekļūdās. Lieta ir tajā, ka kļūda ir redzama, ka par to atbild kāds no telpas un ka to izlabo vienreiz visiem.
Labojumi maina to, ko klausītāji lasa. Tie, kas labāk grib klausīties runu, saņem to pašu izlaboto tekstu, runātu.
Klausītājs, kurš labāk klausās nekā lasa, var dabūt katru tulkoto rindu nolasītu skaļi. Pēc noklusējuma katram runātājam tiek piešķirta atsevišķa standarta balss ar atbilstošu dzimumu, tāpēc panelis joprojām skan kā panelis. Katram runātājam var piešķirt balsi vai izslēgt vienu no viņiem.
Ar runātāja atļauju var iet tālāk un klonēt viņa balsi no trīsdesmit sekundēm runas, augšupielādējot klipu vai ņemot to tieši no runātāja ieraksta; dažas minūtes dod labāku rezultātu. Tulkojums tad tiek nolasīts runātāja pašu balsī visās valodās. Runātājs ar saglabātu balsi var tikt atpazīts arī vēlākos ierakstos, lai gan sistēma labāk atstās runātāju bez vārda, nekā nosauks nepareizo cilvēku.
Divi noteikumi ir spēkā, un tie ir apzināti. Klonēta balss ir biometriski dati: tā tiek veidota tikai ar runātāja skaidru piekrišanu un to var dzēst jebkurā laikā. Un balss runā tikai transkriptu vai tā tulkojumu; to nevar likt pateikt kaut ko, ko tās īpašnieks nav teicis.
Viss līdz šim notiek, kamēr runātājs runā. Pēdējā atšķirība parādās pēc tam, kad viņš apklust.
Piecdesmit tālruņu transkripti izgaist, kad lietotnes aizveras. Pārraide saglabā ierakstu jūsu bibliotēkā: audio un transkriptu ar katru labojumu un tulkojumu. Tur to var atskaņot rindu pa rindai, meklēt jebkurā valodā un eksportēt; to, ko bibliotēka dara, aptver Viena saite, visas valodas. Klausītāji nemaksā neko, cik vien tādu ir. Jūs maksājat par transkribēto audio: $0.60 stundā tiešraidei ar 5 minūšu minimumu katrai transkripcijai, un cenu lapā ir pilns cenrādis.
Tālrunis katrā rokā joprojām ir labs rezerves variants sarunai gaitenī. Telpai, kurai kopā jāsaprot viens runātājs, runātājs ir jātranskribē vienreiz, no avota, ar kādu, kas var izlabot to, kas noiet greizi. Kā tas izskatās, var redzēt interaktīvajā demonstrācijā sākumlapā.
