Повеќејазичната просторија не треба кабина за секој јазик. Потребни се еден чист звучен сигнал од миксерската табла, една врска што публиката ја отвора на своите телефони и начин да се поправи погрешно чуено име додека настанот сè уште трае.
Говор, богослужба, предавање или седница на општинскиот совет имаат еден говорник и публика чии членови не сите размислуваат на тој јазик. Вообичаените решенија се скапи, делумни или приватни.
Скапото решение е преведувач за секој јазик. Дури и кога има по еден за јазик, тоа значи кабина, слушалки и специјалист за секој јазик во просторијата, а специјалистите не велат исто. Секој преведувач прави свој избор под притисок на времето: кој збор да го употреби за одреден термин, што да скрати, што да испушти кога говорникот ќе забрза. На обичен говор разликите речиси и не се важни. На правна расправа, седница на совет или техничко излагање тие се важни: дефиниран термин, дозата или една клаузула можат да стигнат до француските слушатели со едно значење, а до арапските со друго, и никој во просторијата не е во положба да го забележи тоа. Делумното решение е титл на еден екран, на само еден втор јазик. Приватното решение е педесет телефони подигнати кон просторијата: педесет малку погрешни транскрипти, при што секој телефон ги слуша ехото и кашлањето исто толку јасно колку и говорникот.
Алтернативата е еднаш да се транскрибира говорникот, од чист извор, па тој еден транскрипт да се преведе на јазикот што го бара секоја публика. Така сите јазици почнуваат од истите зборови, а секој слушател избира на сопствениот уред. Снимката се чува кога ќе заврши настанот. Еве како домаќинот и слушателот го подесуваат тоа и колку чини.
Транскрипцијата во живо може да слуша микрофон на кој било уред, RTMP проток од OBS или кој било друг енкодер што прима URL на серверот и клуч за стрим, YouTube директен пренос, интернет радио станица или која било URL-адреса што испорачува стрим. За стрим, VocalStack сам го повлекува звукот; на вашата страна ништо не работи.
Изворот е поважен од која било поставка. Собен микрофон или телефон на маса го слуша говорникот плус просторијата: одјек од ѕидовите, столиците, публиката. Препознавањето на говорот нагло се влошува кога гласот станува потивок во однос на таа бучава, затоа педесетте телефони не се согласуваат меѓу себе. Сигналот од миксерската табла го носи микрофонот на говорникот со малку од просторијата, па транскриптот го следи говорникот, а не просторијата. Ако местото има табла, земете го сигналот од неа.
Говорниот јазик се открива автоматски, а говорникот може да го смени во секое време; ако го наведете однапред, тоа помага кај бучави снимки и силни акценти. Ознаките за говорници може да бидат исклучени, вклучени или When Needed, што ги вклучува штом ќе се чуе втор говорник. Штом аудиото ќе почне да пристигнува, публиката треба некаде да го најде.
Преносот е самата врска: една адреса и QR код што слушателите го скенираат за да ја отворат живата преводна верзија и да го изберат својот јазик. Врската се создава од името што му го дадете на преносот. Ако подоцна го преименувате, старата врска продолжува да работи, па QR кодот отпечатен на програмата нема да застари.
Преносот е јавен по основно: секој со врската може да го отвори. Ако го направите приватен и поставите лозинка, слушателите ќе ја побараат пред да се појави транскриптот.
Еден пренос може да се храни од повеќе транскрипции во живо, па конференција со две сцени дели една врска. Врската ги привлекува луѓето; она што ги задржува е точното запишување на имињата.
Системите за препознавање говор се обучени според тоа како луѓето обично зборуваат, па кога некој звук е двосмислен, избираат вообичаен збор. Име на производ, презиме, село, хемиска супстанција: секое има почест збор со ист звук, и тој е она што ќе се испише, освен ако системот не знае дека доаѓа ретката зборка. Затоа постои скриптата. Додајте скрипта или слајдови пред да започнете, па имињата и термините во нив ќе ги надвладеат погрешно чуените зборови. Имињата и термините се местата каде што препознавањето обично пропаѓа на специјализирано предавање. За време на снимањето, табот Script ги следи зборовите како телепромптер и ги осветлува зборовите изговорени досега.
Тоа е целото подесување. На другата страна од врската, слушателот има уште помалку да прави.
Слушателот му треба линк или QR код, и телефон. Ја отвора врската во прелистувач и гледа The broadcast hasn't started yet додека домаќинот не го притисне снимањето, а потоа Live. The first line appears in a moment. Избира од јазиците што домаќинот ги одбрал (до 10 по транскрипција, од 100 достапни) и го чита транскриптот додека говорникот зборува. Домаќинот го држи говорот на својот јазик. Слушателот може да го смени јазикот во секое време; транскриптот досега повторно се прикажува на новиот јазик.
Ако слушателот претпочита да слуша, секоја преведена реплика се чита наглас. По основно, секој говорник добива различен стандарден глас со соодветен пол, па панелот и понатаму звучи како панел.
Трите фази се одвиваат по редослед, а секоја чека на претходната. Препознавањето треба одреден исечок говор пред да може да ги потврди зборовите, па транскриптот заостанува зад говорникот за дел од секундата. Преводот му треба цела реченица, бидејќи редоследот на зборовите е различен во јазиците и крајот на реченицата може да го промени почетокот, па следи една до две секунди подоцна. Говорот може да почне дури кога ќе има преведена реченица, па изговорената реплика доаѓа последна. Ова не е грешка што треба да се подеси; таква е природата на секој систем што ги прави овие три работи, вклучително и човечкиот преведувач, кој исто така чека глаголот.
Со дозвола од говорникот, домаќинот може да го клонира гласот на говорникот од триесет секунди говор само од таа личност (MP3, M4A или WAV; подобро е неколку минути). Преводот потоа се чита со гласот на говорникот на секој јазик. Со глас се постапува како со биометриски податок. Според GDPR, податоците за глас обработени за препознавање на личност во принцип спаѓаат во посебните категории од членот 9, а некои американски држави, меѓу нив Илиноис, посебно ги регулираат гласовните отисоци. Добијте изречна согласност од говорникот пред примерокот да се сними, не потоа; гласот може да се избрише во секое време. Клонирањето исто така го регистрира говорникот, па во идните снимки ќе биде означен со име. Домаќинот може да му додели глас на секој говорник или да исклучи некој.
Слушател што доаѓа подоцна ја гледа сè што е речено пред да влезе, а потоа следи во живо. Ако врската се прекине, страницата сама се надополнува штом врската ќе се врати. Кога домаќинот ќе паузира, слушателите гледаат Paused. The transcript continues when the host resumes. Кога домаќинот ќе запре, страницата го прикажува датумот и должината на снимката, а преносот ги наведува своите минати снимки за повторно пуштање.
Слушателот може да чита само она што системот го препознал, а препознавањето во живо дел од тоа го погрешува.
Екранот на домаќинот има табот Fix токму за тоа. Mark uncertain words ги обојува и подвлекува зборовите за кои системот не бил сигурен; Click to correct отвора редот за преглед. Табот ги поминува несигурните сегменти еден по еден, па втора личност на масата може да ги разгледува додека говорникот продолжува.
Кога домаќинот ќе препише збор или реплика, дури и онаа што уште се изговара, секој слушател ја гледа поправката. Реплика чија доверба е премногу ниска се крие од слушателите како Audio unclear наместо да се прикаже погрешна; домаќинот сè уште ги гледа сите зборови. Празното место е познат јаз; самоуверено погрешниот збор е гласина.
Тие поправки не исчезнуваат кога ќе заврши говорот.
Сè се чува. Снимката, нејзиниот транскрипт со поправки и преводи и аудиото слегуваат во библиотеката на домаќинот. Повторното пуштање ја пушта онака како што стигнала, реплика по реплика, со нејзиното аудио. Штом зборовите ќе бидат конечни, насловот и резимето се пишуваат на секој јазик, а табовите Summary и Export на екранот на домаќинот ги изнесуваат директно од настанот.
Извозите се SRT титлови, PDF, Excel или JSON, со поправките и преводите вклучени, а аудиото се презема како MP3. Секој транскрипт може да се пребарува на кој било јазик.
Прегледот Audience покажува кој слушал, на кој јазик и кога се приклучил: често тоа е првото вистинско бројување што организаторот го добива за тоа кој на кој јазик му бил потребен. До тогаш вообичаената проценка беше оној што ќе ја подигне раката кога ќе се праша, на англиски, дали му треба превод. Идентификаторите на слушателите се бришат заедно со снимката.
Препознавањето говор, препознавањето говорници и синтезата на глас работат на сервери што ги управуваме ние, и вашето аудио не се испраќа кај трета страна за обработка. Не ги користиме вашите аудија, транскрипти или гласови за обучување модели.
Чувањето следи го планот: на Плаќање според користење, изворното аудио и гласовите се чуваат 7 дена, а транскриптите 30 дена; Premium и Enterprise ги чуваат за времетраењето на сметката. Другото што го одредува планот е фактурата.
Две бројки се важни. На Плаќање според користење и Premium, транскрипцијата во живо чини $0.60 на час аудио, наплатено по секунда со минимум од 5 минути по транскрипција, во контролната табла и преку API подеднакво; Enterprise има волуменски цени. Слушателите и јазиците се бесплатни: настан од еден час прочитан на пет јазици од двесте луѓе чини $0.60. Датотеките се поевтини ($0.20 на час) бидејќи транскрипцијата во живо работи во реално време цел настан. Планите се разликуваат по паралелност, максимална должина на снимка и брзина на стартување; на Плаќање според користење студеното стартување може да трае до 15 секунди, па притиснете снимање малку пред говорникот, приближно една реченица „Може ли сите најзади да ме чујат?“ порано. Целосната табела е на страницата со цени.
Почетната страница има демо со два телефони, а нова сметка во контролната табла доаѓа со кредит за регистрација од $5 и не бара картичка. По живата цена, тој кредит покрива повеќе од осум часа емитување.
Одлучувате помеѓу ова и живиот превод вграден во телефонот на секого? Прочитајте зошто телефонот не е доволен за просторија. За цел настан, контролната листа за повеќејазични конференции ги опфаќа аудио патот, неколку фази на една врска и буџетот. Програмерите сè ова можат да го направат од код преку референцата за API, по истата цена.
