Транскрипција и превод во реално време: како работи говор во текст во живо, колку заостанува, што влијае на точноста и колку чини.
Транскрипцијата во реално време го претвора говорот во текст додека личноста уште зборува. Зборовите се појавуваат на екранот миг по изговарањето, се таложат во конечни редови и може да ги прочита секој што следи. Додајте превод во реално време и секој читател може да го следи истиот говор на свој јазик, како текст или прочитан наглас.
Овој водич ја опфаќа транскрипцијата и преводот во реално време од двете страни: што гледа слушателот, од каде може да доаѓа звукот, што ја одредува точноста, што добиваат програмерите од API и колку чини.
Транскрипцијата во реално време, наречена и транскрипција во живо или говор во текст во живо, е препознавање говор што работи додека звукот сè уште пристигнува. Снимена датотека може да се транскрибира со целата снимка при рака. Транскрипцијата во живо мора да се определи за зборови само со последните неколку секунди и да држи чекор со говорникот сè додека зборува.
Титловите во живо се истото прикажано како кратки редови над видео или на екран.
На VocalStack транскрипцијата во живо може да слуша на 100 јазици. Зборуваниот јазик го препознава сама и го следи говорникот ако го смени, што го објаснува како работи автоматското препознавање на јазик, заедно со тоа кога е подобро јазикот да се именува однапред.
Текстот пристигнува во две фази. Најновите зборови се појавуваат прво како нацрт, што може уште да се смени кога ќе влезе повеќе звук. Миг подоцна нацртот се таложи во конечен ред што повеќе не се менува.
Нацртот постои бидејќи препознавачот одлучува за зборот делумно според тоа што доаѓа по него. „Сладолед“ и „слад олед“ звучат слично додека не пристигне следниот збор. Раното прикажување на претпоставката е она што го прави транскриптот да се чувствува како жив.
Колку текстот заостанува зад говорникот зависи од фазата:
Две доцнења стојат надвор од тој синџир. Кога изворот е јавен пренос наместо микрофон, самиот пренос веќе заостанува зад својот жив раб: секунда-три за обичен интернет радио пренос, а од неколку секунди до пола минута за HLS. А на Pay as you go, транскрипцијата во живо може да се стартува до 15 секунди. Целосниот расчлен, вклучувајќи ги режимите на доцнење Auto, Fast и Accuracy, е во доцнењето на преводот во живо, објаснето.
Преводот работи врз транскриптот. Транскрипција во живо може да се преведе на до 10 јазици одеднаш, избрани од 100. Секој слушател избира еден од нив на свој уред и може да го смени во секое време; транскриптот досега повторно се прикажува на новиот јазик.
Секој јазик се преведува од истиот транскрипт, па секој слушател ги добива истите зборови, а поправката стигнува до сите.
Слушател што повеќе сака да слуша отколку да чита може да го има секој преведен ред прочитан наглас. По основно секој говорник добива посебен стандарден глас што одговара на неговиот пол, па панелот сè уште звучи како повеќе луѓе. Со согласност на говорникот, домаќинот може да му го клонира гласот од околу 30 секунди во кои зборува сам, а преводот потоа се чита со неговиот сопствен глас.
Правилото за гласовите е намерно тесно. Гласот чита само она што го кажало истото лице, преведено на јазик што го избрал слушателот. Никогаш не чита текст што некој го впишува и никогаш не ги чита зборовите на еден говорник со гласот на друг.
Како тоа работи за цела просторија, од поставувањето на домаќинот до оној што доцни, е во еден линк, секој јазик.
На транскрипцијата во живо ѝ треба извор на звук. Ова се оние што VocalStack ги прима денес:
Титловите во самиот плејер на YouTube, преку неговото копче CC, доаѓаат наскоро. Дотогаш, гледачите на пренос на YouTube ги следат титловите на линкот на преносот.
Ако ви треба транскрипција во живо на Windows денес, додатокот за Chrome или Edge, приклучокот за OBS и контролната табла во прелистувач работат таму.
Преносот е начинот на кој други луѓе следат транскрипција во живо. Тоа е еден линк и QR код. Слушателите го отвораат во прелистувач, избираат јазик и читаат. Не им треба сметка, не инсталираат ништо и не чинат ништо: сметката не се менува со бројот на слушатели или јазици.
Преносот е по основно јавен и може да се заштити со лозинка. Ако го преименувате неговиот линк, старата врска продолжува да работи, па QR код отпечатен на програма не застарува. Еден пренос може да носи повеќе транскрипции во живо, така што две сцени можат да делат еден линк.
Слушател што доаѓа доцна гледа сè што било кажано пред да влезе, па следи во живо. Потоа прегледот Audience покажува кој слушал, на кој јазик и кога се приклучил.
За настани, контролната листа за повеќејазична конференција опфаќа звук, сцени и буџет, а транскрипцијата во живо за цркви, предавални и совети ја опфаќа неделната верзија на истото поставување.
Сето горенаведено може да се направи од код. За звук во живо во вашата апликација, API има сесии во реално време: вашиот сервер упатува едно барање до POST /v1/realtime/sessions со API клуч и добива краткотраен streamUrl. Вашиот клиент отвора WebSocket до него, праќа суров звук како што се снима и го чита транскриптот назад како JSON рамки.
Рамките ги следат истите две фази што ги гледа читателот. transcript.draft го заменува живиот опашен дел, transcript.committed додава конечен ред, а со вклучен превод пристигнуваат цели реченици со приложени преводи. Целните јазици, ознаките за говорници и режимот на доцнење може да се менуваат во текот на сесијата со session.update.
Сесија во реално време не чува ништо. Кога сакате зборовите да се зачуваат, поправат и споделат со публика, наместо тоа го објавувате звукот во транскрипција во живо и пренос. Официјалните SDK за TypeScript, Python и PHP ги обвиваат и двете, а MCP серверот му дозволува на AI асистент да ја користи истата сметка.
Упатството за WebSocket чекор по чекор гради функционален приказ на титлови, а референцата за API го има секое поле. Користењето на API се наплатува по иста тарифа како контролната табла.
Точноста се одредува претежно пред да се стартува кој било препознавач, според звукот што му се дава. Четири работи прават најголема разлика.
Микрофонот. Микрофон близу до говорникот или довод од микшетата на локацијата го носи гласот со малку од просторијата. Телефон на маса го слуша говорникот плус ехо, столици и кашлање. Тоа е најголемиот поединечен фактор, а зошто телефонот не е доволен за просторија објаснува зошто.
Бучава и преклопување. Бучавата во позадина предизвикува испуштени и измислени зборови, а двајца што зборуваат истовремено ги мешаат и зборовите и тоа кој ги кажал. Грешките во транскрипцијата на аудио наведува седум вообичаени причини, како изгледа секоја и како да се поправи.
Референтна скрипта. Познатите имиња и поими се препознаваат како што се. Имињата на производи на една компанија, внатрешна кратенка или невообичаено презиме на гостин не може да се знаат однапред, па додајте скрипта или слајдови пред да почнете, а имињата и поимите во нив се пишуваат точно како што сте ги напишале.
Ознаки за говорници. Ознаките може да бидат Off, On или When Needed, што ги вклучува штом ќе се чуе втор говорник. Дијаризација на говорници наспроти препознавање говор објаснува како двата одговори, што е кажано и кој го кажал, се одвоени и се поправаат одделно.
Режимот на доцнење е исто така важен: Fast го изнесува текстот побрзо, но повеќе го ревидира, Accuracy чека малку подолго.
Една единствена бројка за точност кажува помалку отколку што изгледа. Стапката на грешки на зборови погрешно име го брои исто како испуштено „и“, па затоа што мери стапката на грешки на зборови и што ѝ бега предлага системот да се суди според тоа кои грешки ви дозволува да ги фатите и поправите.
Ниту еден транскрипт во живо не е совршен, па екранот на домаќинот има таб Fix. Може да ги означи зборовите во кои препознавачот не бил сигурен, а секој ред може да се отвори и поправи. Втора личност на микшетата може да ги поминува додека говорникот продолжува.
Кога домаќинот ќе препише збор или ред, дури и таков што уште се изговара, секој слушател ја гледа поправката, на сите јазици. Ред чуен со премалку сигурност се крие од слушателите како „Audio unclear“ наместо да се прикаже погрешно; домаќинот сè уште го гледа.
Снимката се чува со својот транскрипт, поправки и преводи. Потоа можете:
Колку долго се чуваат аудиото и транскриптите зависи од планот, а страницата со цени го наведува тоа.
Повеќето алатки за транскрипција во живо изгледаат слично во демо; разликите се покажуваат во прашањата подолу. Десната колона го опишува VocalStack каков што е денес.
| Прашање | Зошто е важно | VocalStack |
|---|---|---|
| Кои јазици може да ги чуе? | Алатка што не може да го транскрибира јазикот на говорникот не може да помогне, колку и добар да е нејзиниот превод. | 100 јазици, препознаени автоматски, со префрлање во текот на говорот |
| Колку текстот заостанува зад говорникот? | Читателите повеќе го забележуваат растечкиот јаз отколку повремениот погрешен збор. | Изворниот текст за дел од секундата зад, преводот секунда-две подоцна; три режими на доцнење |
| Дали преведува и кој го избира јазикот? | Еден јазик на титлови на еден екран ги остава сите други надвор. | До 10 јазици по транскрипција, секој слушател го избира својот |
| Може ли да го изговори преводот? | Некои слушатели не можат да читаат или повеќе сакаат да не читаат. | Стандардни гласови по основно; сопствен клониран глас на говорникот со негова согласност |
| Како стигнува до публиката? | Апликациите и сметките ги губат луѓето на врата. | Еден линк и QR код, без сметка, опционална лозинка |
| Може ли грешките да се поправаат во живо? | Погрешно чуено име повторено еден час прави вистинска штета. | Поправки во живо испратени до секој слушател |
| Од каде може да доаѓа звукот? | Вашето поставување не треба да се менува за да му одговара на алатката. | Микрофон, додатоци за прелистувач, апликација за работна површина, OBS, RTMP, линкови до стрим |
| Има ли API? | Можеби сакате титлови во вашиот сопствен производ. | REST и WebSocket API, SDK, MCP сервер, иста тарифа како контролната табла |
| Како се цени? | Цената по слушател или по место расте со вашата публика. | По секунда звук; слушателите и јазиците се бесплатни |
На VocalStack плаќате по секунда транскрибиран звук. Во времето на пишувањето, транскрипцијата во живо чини $0.60 на час, а датотеките $0.20 на час, на секој план, во контролната табла и преку API подеднакво. Преводот, гласовите, резимињата, преносот и слушателите никогаш не додаваат на сметката, па едночасовен говор прочитан од 200 луѓе на пет јазици чини ист $0.60 како оној прочитан од никого.
Плановите се разликуваат во неколку нешта:
Ако никој не мора да чита додека се случува, прикачете ја снимката потоа по тарифата за датотеки. Тековните цени, чувањето и ограничувањата за секој план се на страницата со цени.
Новата сметка на VocalStack доаѓа со почетен кредит од $5 и не бара картичка. По $0.60 на час тоа се околу осум часа транскрипција во живо, со вклучен превод и пренос. Потоа плаќате по секунда. Слушателите се секогаш бесплатни.
Да. Транскрипција во живо може да се преведе на до 10 јазици одеднаш додека личноста зборува. Преводот се појавува секунда-две по изворниот текст, а секој слушател го избира својот јазик.
Зависи претежно од звукот. Микрофон близу или довод од микшета, малку бучава во позадина, еден човек што зборува во исто време и референтна скрипта со имињата даваат најдобри резултати. Поправките во живо му дозволуваат на домаќинот да го исправи она што сè уште е погрешно додека говорот продолжува.
Текстот на изворниот јазик заостанува за дел од секундата, а преводите следат секунда-две подоцна. Јавен пренос додава свое доцнење пред звукот да стигне до VocalStack.
Да, преку додатокот за Chrome или Edge, приклучокот за OBS Studio или контролната табла во прелистувач. Апликацијата за работна површина е денес на macOS, а Windows доаѓа наскоро.
Не. Слушателите го отвораат линкот на преносот или го скенираат неговиот QR код во прелистувач, избираат јазик и читаат. Нема што да се инсталира.
Отворете ја контролната табла, започнете транскрипција во живо од вашиот микрофон и отворете го линкот на нејзиниот пренос на телефонот. Почетниот кредит ги покрива вашите први часови, а сами можете да видите како се таложат нацртите и како преводот следи.