Точноста на живиот превод во голема мера се одлучува пред да заработи кој било модел, со тоа каде е микрофонот. Земете го звукот од миксетата, а не од седиште во дванаесеттиот ред, транскрибирајте го еднаш и грешката станува еден ред што некој може да ја поправи за сите.
Преводните апликации вградени во телефоните се вистинско постигнување. Често работат со модел за препознавање говор доволно мал за да стане во уредот и неговата батерија (некои аудиото го праќаат на сервер кога има врска), и за кратки, јасни, секојдневни реченици ја вршат работата: прашање за насока, читање мени, разговор на шалтер.
Просторија полна луѓе што слушаат еден говорник е поинаков проблем. Работите што се расипуваат во вистинскиот говор се токму оние во кои малиот модел е најслаб: ретки зборови и имиња, зборови што звучат слично („their“ и „there“, „sail“ и „sale“), технички термини, акценти, луѓе што зборуваат еден преку друг и позадинска бука. Во едриличарски клуб, модел што ќе чуе „sale“ направил разумно погодување и самоуверена грешка.
Две работи го прават малиот модел да погодува повеќе од големиот. Тој е компримиран за да стане во телефонот, па познава помалку зборови и помалку начини да се искажат; презиме што не го сретнал го приближува само по звуците. А живото препознавање мора да се определи за збор пред да пристигне остатокот од реченицата, па моделот не може да ја искористи информацијата што би го решила „sail“ наспроти „sale“: зборовите што следат, или скрипта што кажува за што е разговорот. Во препознавањето говор, контекст значи точно тоа две работи: околните зборови и она што е познато однапред.
Кога моделот не е сигурен, тој погодува. Преводот тогаш е изграден врз погодувањето, а човекот што го чита нема начин да знае. Никој во просторијата не може да види дека една линија била погрешна, а уште помалку да ја поправи. А просторијата не е еден слушател, туку педесет.
Телефонот ја слуша просторијата, не говорникот. Растојанието е причината: петточен микрофон или микрофон на реверот седи на неколку сантиметри од устата, додека телефонот во дванаесеттиот ред е десет метри или подалеку, а најголемиот дел од звукот што стигнува до него прво се одбил од ѕидовите, таванот и грбовите на столиците. Одбиениот звук пристигнува задоцнет и размачкан. Над тоа, телефонот го фаќа и кашлањето на човекот два реда назад, шепотењето на соседот и она што звучниците му го прават на гласот додека минува низ салата. Секое место добива малку поинаков снимок, па затоа секое место добива малку поинаков транскрипт.
Телефонот, исто така, преведува за еден човек. Педесет присутни со по еден телефон во рака создаваат педесет независни транскрипти од истото предавање, со педесет различни групи грешки. Двајца луѓе што по настанот ќе ги споредат белешките нема да се сложат за она што било кажано. Говорникот, пак, се обраќа до ѕид од подигнати телефони, што е тешка публика за читање.
За некои луѓе во просторијата ова е повеќе од непријатност; тоа одлучува дали воопшто можат да го следат предавањето. Гледач со оштетен слух или некој што следи на трет јазик му треба еден точен заеднички текст, а не педесет најдобри обиди. Тоа значи да се транскрибира говорникот еднаш и сите да го добијат истиот резултат. Транскрибирањето еднаш вреди само ако е направено добро, а тоа почнува од тоа одкаде доаѓа звукот.
Транскриптот е најмногу толку добар колку звукот од кој е направен. Затоа првата одлука не е кој модел да се користи, туку кој сигнал да му се даде. Втората е што да му се каже на моделот пред да започне.
Живата транскрипција го зема звукот од секаде каде што веќе постои чист сигнал:
VocalStack сам го повлекува URL потокот, па од ваша страна ништо не работи. RTMP потокот функционира обратно: вашиот енкодер го испраќа. Јазикот на говорникот се открива автоматски, а тој може да го менува јазикот во кое било време. Ако го знаете јазикот и снимката е бучава или со силен акцент, неговото наведување ја подобрува точноста.
Чистиот звук ги отстранува грешките предизвикани од просторијата. За грешките предизвикани од вокабуларот не помага, и тие бараат друг вид помош.
Телефонот не знае кој зборува ниту за што е предавањето, па име на производ или презиме е уште еден звук што треба да се погоди. Емитувањето може однапред да се извести што да очекува.
Ако пред почетокот додадете скрипта или слајдови, имињата и термините во нив имаат предност пред она што моторот го чул погрешно. За време на снимањето, картичката Script го следи говорникот како телепромптер. Ова е најголемата единечна добивка во точноста за видот говор што ги полни конференциите и предавањата: полн со властени имиња и вокабулар што ниту еден општ модел не го слушнал доволно често.
Добриот звук и речникот отстрануваат поголемиот дел од грешките. Прашањето е што се случува со грешките што остануваат.
Дури и со добар звук и скрипта, некои линии ќе излезат погрешни. Разликата е во она што следува.
Кај телефонот, ништо. Погрешната линија минува и преводот изграден врз неа оди со неа.
Во емитувањето, линијата премногу нејасна за да се прикаже се сокрива од слушателите како „Audio unclear“, наместо да се претстави како факт.
Потоа е домаќинот, кој има картичка Fix: зборовите за кои моторот не бил сигурен можат да се обојат и подвлечат, со клик се отвора линија за преглед, а кој било збор или ред може да се препише додека транскрипцијата уште е во живо. Секој слушател ја гледа поправката на својот јазик. Секоја поправка е означена и може да се поништи.
Поентата не е дека серверот никогаш не греши. Поентата е дека грешката е видлива, во сопственост на некој во просторијата и поправена еднаш за сите.
Поправките ги исправаат она што го читаат слушателите. Слушателите што би претпочитале да го слушнат предавањето ја добиваат истата исправена содржина, изговорена.
Слушател што претпочита да слуша наместо да чита може секој преведен ред да му се чита наглас. Стандардно, на секој говорник му се доделува различен стандарден глас од ист пол, така што панелот и понатаму звучи како панел. Можете на секој говорник да му доделите глас или да избришете еден.
Со дозвола од говорникот, можете да одите подалеку и да му го клонирате гласот од триесет секунди негов говор, било како прикачен клип, било земен директно од говорник во снимка; неколку минути даваат подобар резултат. Преводот тогаш се чита со гласот на говорникот на сите јазици. Говорник со зачуван глас може да се препознае и во подоцнежни снимки, иако системот претпочита говорникот да остане неименуван отколку да се погреши лицето.
Двете правила важат и се намерни. Клониран глас е биометриски податок: се прави само со изречна согласност на говорникот и може да се избрише во кое било време. А гласот секогаш изговара само транскрипт или негов превод; не може да се натера да каже нешто што неговиот сопственик никогаш не го рекол.
Сето досега се случува додека говорникот зборува. Последната разлика се појавува откако ќе престане.
Педесетте телефонски транскрипти исчезнуваат кога апликациите ќе се затворат. Емитувањето ја чува снимката во вашата библиотека: звукот и транскриптот со секоја поправка и превод. Таму може да се репродуцира ред по ред, да се пребарува на кој било јазик и да се извезува; упатството Една врска, секој јазик ја опфаќа работата на библиотеката. Слушателите не чинат ништо, колку и да ги има. Плаќате за аудиото што е транскрибирано, по $0.60 на час за живо, со минимум од 5 минути по транскрипција, а страницата со цени ја содржи ценовникот.
Телефон во секоја рака е и понатаму добра резерва за разговор во ходник. За просторија што мора заедно да разбере еден говорник, говорникот треба да се транскрибира еднаш, од изворот, со некој што може да ја поправи грешката кога ќе се случи. Како изгледа тоа можете да видите во интерактивната демонстрација на почетната страница.
