बोलणे, आता सोपे

वारंवार विचारले जाणारे प्रश्न

माझ्या फोनमध्ये आधीच लाइव्ह भाषांतर आहे - मला VocalStack कशासाठी हवे?

फोनवर एक लहान स्पीच मॉडेल चालते, जे डिव्हाइस आणि बॅटरीमध्ये बसणे आवश्यक असते. लहान, स्पष्ट, रोजची वाक्ये यासाठी ते ठीक आहे. पण खऱ्या बोलण्यात जे चुकते - असामान्य शब्द आणि नावे, सारखे वाटणारे शब्द (“their” आणि “there”, “sail” आणि “sale”), तांत्रिक शब्द, उच्चार, एकमेकांवर बोलणारी माणसे आणि पार्श्वभूमीचा आवाज - त्यासाठी ते पुरेसे नाही. मॉडेल अंदाज लावते, भाषांतर त्या अंदाजावर बनते, आणि खोलीतील कोणालाही कळत नाही की ते चुकले होते.

VocalStack सर्व्हरवर चालते, त्यामुळे मॉडेल पूर्ण आकाराचे असतात आणि ओळखीनंतर प्रत्येक ओळ संदर्भाशी तपासली जाते. आधी स्क्रिप्ट किंवा स्लाइड्स अपलोड करा, मग त्यातील नावे आणि शब्द चुकीने ऐकलेल्या शब्दांवर वरचढ ठरतात. तरीही काही चुकले, तर लाइव्ह असतानाच ओळ दुरुस्त करू शकता आणि प्रत्येक श्रोत्याला दुरुस्ती दिसते.

फोन वक्त्याऐवजी खोलीतील आवाज ऐकतो, आणि तो एका व्यक्तीसाठी भाषांतर करतो, त्यामुळे पन्नास फोन पन्नास वेगवेगळी ट्रान्सक्रिप्ट्स देतात. VocalStack ऑडिओ थेट मिक्सिंग डेस्क, स्ट्रीम किंवा मायक्रोफोनवरून घेतो, वक्त्याचे ट्रान्सक्रिप्शन एकदाच करतो, आणि प्रत्येकजण आपल्या भाषेत एकच गोष्ट वाचतो किंवा ऐकतो. भाषांतर वक्त्याच्याच आवाजात मोठ्याने वाचले जाते, त्यामुळे श्रोते मंचावरील व्यक्तीलाच ऐकतात, कोणत्याही रोबोटच्या आवाजाला नाही.

प्रति श्रोता शुल्क आकारले जाते का? किंमत कशी चालते?

नाही. श्रोते मोफत आहेत, ते किती असले तरी आणि कोणत्याही भाषेत वाचत किंवा ऐकत असले तरी. तुम्ही ट्रान्सक्राइब केलेल्या ऑडिओसाठी पैसे देता, सेकंदानुसार, प्रत्येक ट्रान्सक्रिप्शनसाठी किमान 5 मिनिटे, आणि एवढेच बिल आहे: 10 भाषांपर्यंत भाषांतर, बोललेली भाषांतरे, ब्रॉडकास्टिंग, सारांश आणि एक्सपोर्ट यांचा समावेश आहे.

किंमत आणि प्लॅन पाहा

फाइल्स आणि लाइव्ह ट्रान्सक्रिप्शन्सचे दर वेगळे आहेत, पण ते प्रत्येक प्लॅनसाठी सारखेच आहेत, आणि Premium मध्ये दर महिन्याला $50 चे क्रेडिट समाविष्ट आहे. प्रत्येक प्लॅनमध्ये समान वैशिष्ट्ये आहेत, आणि API चे शुल्क डॅशबोर्डप्रमाणेच दराने आकारले जाते.

श्रोत्यांना सोबत वाचण्यासाठी काय लागते?

एक लिंक किंवा QR कोड, आणि एक फोन. काहीही इन्स्टॉल करायचे नाही आणि खाते तयार करायचे नाही. श्रोता ब्राउझरमध्ये लिंक उघडतो, भाषा निवडतो आणि बोलले जाताच ट्रान्सक्रिप्ट वाचतो. त्याला ऐकायचे असेल, तर प्रत्येक भाषांतरित ओळही मोठ्याने वाचली जाते. कधीही भाषा बदला; आतापर्यंतची ट्रान्सक्रिप्ट नव्या भाषेत पुन्हा वाचली जाते.

उशिरा सामील होणारा श्रोता, येण्यापूर्वी जे बोलले गेले ते सर्व पाहतो, आणि मग लाइव्ह फॉलो करतो. कनेक्शन तुटले, तर ते परत आल्यावर पेज स्वतःहून सर्व पकडून घेते.

ऑडिओ मायक्रोफोनमधूनच यायला हवा का?

नाही. लाइव्ह ट्रान्सक्रिप्शन कोणत्याही डिव्हाइसचा मायक्रोफोन, OBS किंवा ब्रॉडकास्ट एन्कोडरचा RTMP फीड, YouTube लाइव्ह, इंटरनेट रेडिओ स्टेशन किंवा स्ट्रीम देणारा कोणताही URL ऐकू शकते. स्ट्रीमसाठी VocalStack स्वतः ऑडिओ घेते: तुमच्या बाजूला काहीही चालवावे लागत नाही.

एका ब्रॉडकास्ट लिंकला अनेक ट्रान्सक्रिप्शन्स पुरवली जाऊ शकतात, त्यामुळे दोन स्टेज असलेली परिषद, किंवा रेडिओ स्ट्रीम आणि YouTube लाइव्ह असलेले स्टेशन, तरीही एकच लिंक शेअर करतात.

ट्रान्सक्रिप्ट कोण पाहू शकेल हे मी नियंत्रित करू शकतो का?

हो. ब्रॉडकास्ट डीफॉल्टने सार्वजनिक असते: लिंक असलेला कोणीही ते फॉलो करू शकतो. ते खाजगी करा आणि पासवर्ड ठेवा, मग तुम्ही दोन्ही दिलेले लोकच आत येऊ शकतील. नंतर लिंकचे नाव बदला, जुनी लिंक चालू राहते. कोण ऐकत आहे, कोणत्या भाषेत, आणि कधी सामील झाले, हेही तुम्ही पाहू शकता.

श्रोता खऱ्या वक्त्याला ऐकतो की कृत्रिम आवाजाला?

दोन्ही. डीफॉल्टने प्रत्येक वक्त्याला त्याच्या लिंगाशी जुळणारा वेगळा तयार आवाज मिळतो, त्यामुळे पॅनेल अजूनही पॅनेलसारखेच वाटते. वक्त्याच्या परवानगीने, तीस सेकंदांच्या ऑडिओवरून त्याचा आवाज क्लोन करता येतो, आणि मग भाषांतर प्रत्येक भाषेत त्याच्याच आवाजात वाचले जाते. क्लोन केलेला आवाज म्हणजे भविष्यातील रेकॉर्डिंगमध्ये वक्ता नावानिशी ओळखला जातो आणि लेबल केला जातो. तुम्ही प्रत्येक वक्त्याला आवाज देऊ शकता, किंवा एकाला म्यूट करू शकता.

कार्यक्रमानंतर काय जतन केले जाते?

सर्व काही. रेकॉर्डिंग, दुरुस्त्या आणि भाषांतरांसह त्याची ट्रान्सक्रिप्ट, आणि ऑडिओ तुमच्या लायब्ररीत साठवले जातात. शब्द अंतिम झाल्यावर, प्रत्येक भाषेत शीर्षक आणि सारांश लिहिले जातात. ते आल्याप्रमाणेच पुन्हा वाजवू शकता, तुमच्या भाषेत प्रत्येक ट्रान्सक्रिप्टमध्ये शोधू शकता, आणि SRT सबटायटल्स, PDF, Excel किंवा JSON म्हणून एक्सपोर्ट करू शकता.

हे मी माझ्या स्वतःच्या प्रॉडक्टमध्ये बनवू शकतो का?

हो. डॅशबोर्ड जे काही करते ते सर्व API द्वारे, त्याच दरात उपलब्ध आहे: WebSocket वरून रिअल-टाइम ट्रान्सक्रिप्शन, ब्रॉडकास्टसह लाइव्ह ट्रान्सक्रिप्शन्स, भाषांतर आणि बोललेली भाषांतरे, फाइल आणि लिंक जॉब्स, आणि एक MCP सर्व्हर. TypeScript आणि Python साठी अधिकृत SDK समाविष्ट आहेत. श्रोते तुमच्या स्वतःच्या अॅपमधून शेअर कोड वापरून, API की शिवाय रेकॉर्डिंगची सदस्यता घेऊ शकतात.