सेवेत किंवा नगरपरिषदेच्या बैठकीत स्पीच रेकग्निशन सर्वात जास्त चुका त्याच शब्दांवर करते जे आधीच कागदावर लिहिलेले असतात. त्याला अजेंडा द्या, खोलीतील मायक्रोफोनऐवजी मिक्सिंग डेस्कवरून ऑडिओ घ्या, आणि प्रत्येक आठवड्याचा खर्च नंतरच्या कॉफीपेक्षाही कमी येतो.
रविवारची सेवा, मंगळवारचे व्याख्यान आणि मासिक नगरपरिषद बैठक यांच्यात त्यांपेक्षा जास्त साम्य आहे जितके दिसते. तिन्ही ठिकाणी कार्यक्रम पुन्हा पुन्हा त्याच खोलीत होतो, तिन्ही एखाद्या AV कंपनीऐवजी स्वयंसेवक किंवा कारकून चालवतात, आणि तिन्हींत असे लोक असतात जे दुसऱ्या भाषेत अधिक चांगले समजू शकतील, ज्यांना नीट ऐकू येत नाही, आणि जे कधीच उपस्थित राहू शकत नाहीत. बजेट छोटे असते आणि चालवणारी माणसे बदलत राहतात. गेल्या वर्षी ते सेट करणारी व्यक्ती सहसा फुलांच्या रोटावर गेलेली असते.
हा लेख अशा खोलीसाठी VocalStack एकदाच सेट करण्याबद्दल आहे, म्हणजे त्यानंतर प्रत्येक आठवड्याला फक्त स्टार्ट दाबायचे काम उरते. पडद्यावरचे शब्द बरोबर आहेत की नाही हे ठरवणाऱ्या काही गोष्टींबद्दलही यात आहे. एकाच वेळी अनेक स्टेज असलेल्या परिषदेसाठी एकदाच करायची आवृत्ती हवी असल्यास, बहुभाषिक परिषदेत लाइव्ह कॅप्शन चालवणे हा लेख पाहा. सुरुवात त्या गोष्टीपासून करा जी तुम्ही छापणार आहात.
ब्रॉडकास्ट म्हणजे एक सार्वजनिक लिंक आणि एक QR कोड. कोणीही ब्राउझरमध्ये लिंक उघडू शकतो, भाषा निवडू शकतो आणि वक्ता बोलत असताना वाचू शकतो. काही इन्स्टॉल करावे लागत नाही आणि खाते तयार करावे लागत नाही. एका ब्रॉडकास्टला हवे तितके लाइव्ह ट्रान्सक्रिप्शन जोडता येतात, त्यामुळे या रविवारचे आणि पुढच्या रविवारचे रेकॉर्डिंग एकाच पत्त्यावर दिसतात.
QR कोड एकदाच छापा आणि सूचना फलकावर, सेवेची क्रमपत्रिका, व्याख्यानाच्या स्लाइड्सवर किंवा सार्वजनिक गॅलरीच्या भिंतीवर लावा. श्रोते तो स्कॅन करून लाइव्ह भाषांतर उघडतात आणि आपली भाषा निवडतात. लिंक कधी बदलली तरी जुनी लिंक त्याच ब्रॉडकास्टवर नेत राहते, त्यामुळे गेल्या वर्षीची पत्रके अजूनही चालतात.
ज्या श्रोत्याने लवकर लिंक उघडली त्याला दिसते की ब्रॉडकास्ट अजून सुरू झालेले नाही. उशिरा आलेल्या व्यक्तीला तिने येण्यापूर्वी बोललेले सर्व दिसते आणि त्यानंतर ते थेट ऐकू येते. ज्या श्रोत्याचे कनेक्शन तुटते, तो स्वतः मागचे भाग पकडतो.
ब्रॉडकास्ट डीफॉल्टने सार्वजनिक असतो, जे सेवा किंवा नगरपरिषद सत्रासाठी योग्य आहे आणि बंद बैठक किंवा चर्चासत्रासाठी चुकीचे आहे. अशा वेळी ते प्रायव्हेट करा आणि पासवर्ड ठेवा: फक्त पासवर्ड असलेल्या लोकांनाच लिंक उघडता येते आणि ट्रान्सक्रिप्ट दिसण्यापूर्वी त्यांना तो विचारला जातो. कोणत्याही परिस्थितीत, खोलीत कुठे दिसेल अशा ठिकाणी लिहा की इथे ट्रान्सक्रिप्शन होत आहे आणि मजकूर कुठे जाईल. सेवेत मोठ्याने प्रार्थना करणारे लोक किंवा सार्वजनिक चर्चेत तीन मिनिटे बोलणारे नागरिक कदाचित ट्रान्सक्रिप्टसाठी आलेले नसतात. क्रमपत्रिकेत किंवा अजेंड्यावर एक ओळ लिहिणे स्वस्त आहे. येथे ब्रॉडकास्ट तयार करा: {{app}}/broadcasts/new.
लिंक हा अर्धा भाग आहे; दुसरा अर्धा म्हणजे त्यावर शब्द कोणीतरी आणणे.
कोणत्याही सॉफ्टवेअरच्या आधी, ऑडिओ. चर्च, विद्यापीठे आणि नगरपरिषदांसाठी बांधलेल्या खोल्या प्रतिध्वनीसाठीच बांधलेल्या असतात: दगड, उंच छत, लाकडी बाक. लेक्चर्नवर ठेवलेला फोन किंवा लॅपटॉप वक्त्याचा आवाज थेट एकदा आणि नंतर भिंतींवरून परत आलेला अनेक वेळा ऐकतो. अंतर आणि प्रतिध्वनी हे रेकग्निशन चुकांचे सर्वात मोठे एकमेव कारण आहे, उच्चारांच्या कारणापेक्षा खूप पुढे. खोलीत मिक्सिंग डेस्क असेल तर तिथून फीड घ्या (aux किंवा रेकॉर्ड आउटपुट), म्हणजे रेकग्निशनला मायक्रोफोन जे ऐकतात तेच ऐकू येते. खोलीत फिरणाऱ्या माणसाने, जसे पल्पिट सोडणारा उपदेशक किंवा व्हाईटबोर्डजवळचा व्याख्याता, त्यांनी स्टँडवरच्या एका मायक्रोफोनवर अवलंबून न राहता लॅपल किंवा हेडसेट मायक्रोफोन लावावा. हे नीट केले की बाकी बहुतेक गोष्टी फक्त ट्यूनिंगच्या असतात.
बहुतेक चर्च, विद्यापीठे आणि नगरपरिषदा हा डेस्क ऑडिओ आधीच कुठेतरी देत असतात, आणि लाइव्ह ट्रान्सक्रिप्शन खोलीतील एखाद्या उपकरणाऐवजी तिथूनच घेऊ शकते.
स्ट्रीमसाठी VocalStack स्वतः ऑडिओ घेतो; तुमच्या बाजूला काहीही चालवावे लागत नाही. मात्र तो पत्ता इंटरनेटवरून पोहोचण्याजोगा असावा लागतो. फक्त तुमच्या स्वतःच्या नेटवर्कवर असलेला स्ट्रीम खोलीतल्या एखाद्या डिव्हाइसवरून रेकॉर्ड करावा लागतो. लाइव्ह ट्रान्सक्रिप्शन {{app}}/transcriptions/new/live येथे सुरू करा आणि ते ब्रॉडकास्टला जोडा.
एकदा चांगला ऑडिओ आला की, तरीही दिसणाऱ्या चुका अंदाजे असतात.
चर्च, व्याख्यान किंवा सभागृहात स्पीच रेकग्निशन ज्या शब्दांवर चुकते ते अंदाजे असतात: लोकांची आणि ठिकाणांची नावे, शास्त्रवचनांचे संदर्भ, तांत्रिक शब्द, अजेंड्यावरील मुद्दे. कारण रचनात्मक आहे. रेकग्निशन आवाजावरून सर्वात संभाव्य शब्द निवडते, आणि ही संभाव्यता लोक साधारणपणे काय बोलतात त्यावरून शिकते. त्यामुळे दुर्मिळ आडनाव प्रत्येक वेळी त्याच आवाजाच्या सामान्य शब्दापुढे हरते. या क्षेत्रातील उत्तराला बायसिंग किंवा कस्टम शब्दसंग्रह म्हणतात: सिस्टमला सांगायचे की कोणते दुर्मिळ शब्द अपेक्षित आहेत. साप्ताहिक खोलीसाठी उपयुक्त निरीक्षण असे की हेच शब्द कार्यक्रमाआधीच लिहिलेले असतात.
सुरू करण्याआधी एक स्क्रिप्ट किंवा स्लाइड्स जोडा. त्यातील नावे आणि संज्ञा रेकग्निशनने चुकीने ऐकलेल्या शब्दांपेक्षा प्राधान्याने वापरल्या जातात. कोणीही ते शब्दशः वाचण्याची गरज नसते; प्रवचनाची रूपरेषा, हँडआउट किंवा प्रसिद्ध झालेला अजेंडा बहुतेक विशेषनामे आधीच देतो. रेकॉर्डिंग सुरू असताना होस्टच्या स्क्रीनवरील Script टॅब टेलिप्रॉम्प्टरसारखा मजकुराचा मागोवा घेतो आणि आतापर्यंत बोललेले शब्द उजळवतो.
स्क्रिप्ट आधीच लिहून ठेवता येते आणि तिची सुरुवातीची वेळ देता येते; लायब्ररीत त्या Upcoming खाली दिसतात आणि त्यांच्यापुढे Start बटण असते. रोटासाठी हे उपयुक्त आहे: एक व्यक्ती शुक्रवारी मजकूर जोडते, आणि दुसरी व्यक्ती रविवारी Start दाबते.
तरीही एखादा शब्द चुकीचा आला तर Fix टॅब अनिश्चित शब्द चिन्हांकित करतो आणि होस्टला रेकॉर्डिंग सुरू असतानाच ओळीवर क्लिक करून दुरुस्ती करू देतो; श्रोत्यांना दुरुस्ती दिसते.
शब्द बरोबर असणे ही एक बाजू आहे; दुसरी बाजू म्हणजे ते कोणी बोलले हे माहीत असणे.
स्पीकर-लेबल्सच्या स्विचला तीन स्थिती आहेत. When Needed प्रत्येक ओळीला तिच्या वक्त्याचे लेबल देते, जेव्हा एकापेक्षा जास्त आवाज ऐकू येतात; अन्यथा ट्रान्सक्रिप्ट साधा मजकूर असतो. On एकाच वक्त्यासाठीसुद्धा प्रत्येक ओळीला लेबल देतो. Off साधा मजकूर देतो. प्रवचनासाठी When Needed म्हणजे एकच आवाज असेल तर तो गद्यासारखा वाचला जातो; एक डझन सदस्यांच्या परिषदेसाठी प्रत्येक ओळीत वक्त्याचे नाव असते.
लेबल सुरुवातीला क्रमांक म्हणून असतात. रेकॉर्डिंगमध्ये तुम्ही एखाद्या वक्त्याला नाव देऊ शकता, आणि ते नाव त्याच्या प्रत्येक ओळीला लागू होते. जे लोक दर आठवड्याला बोलतात त्यांच्यासाठी एक पाऊल पुढे जा आणि त्यांचा आवाज सेव्ह करा. ज्या कोणत्याही वक्त्याने रेकॉर्डिंगमध्ये किमान तीस सेकंद बोलले आहे, किंवा त्याने दिलेल्या छोट्या रेकॉर्डिंगवरून तुम्ही क्लोन केलेला आवाज बनवू शकता. त्यानंतरच्या रेकॉर्डिंगमध्ये वक्ता ओळखला जातो आणि त्याच्या नावाने लेबल होतो; श्रोत्यांनी भाषांतर वाचून दाखवणे निवडले तर ते प्रत्येक भाषेत त्या वक्त्याच्या स्वतःच्या आवाजात वाचले जाते. क्लोनिंगशिवाय, प्रत्येक वक्त्याला त्याच्या लिंगाशी जुळणारा वेगळा तयार आवाज मिळतो, आणि कोणत्याही वक्त्याचा आवाज म्यूट करता येतो.
क्लोन केलेला आवाज हा बायोमेट्रिक डेटा आहे. VocalStack तो फक्त वक्त्याच्या स्पष्ट संमतीने बनवते, फक्त त्याच वक्त्याच्या ओळी मोठ्याने वाचण्यासाठी वापरते, आणि तुम्ही तो कधीही हटवू शकता. खोलीत नगरसेवक आणि धर्मगुरू सार्वजनिक व्यक्ती असतात; पण ते संमती नव्हे, म्हणून विचारा.
परिषदेसाठी इथेच ट्रान्सक्रिप्ट अधिकृत नोंद बनते. प्रत्येक ओळीला नावाने लेबल असल्यामुळे इतिवृत्तात शेवटी दिसते की 'मला वाटते आपण यावर आधीच चर्चा केली आहे' हे चौथ्यांदा कोण म्हणाले. पण मग प्रश्न उरतो की हा रेकॉर्ड कोणासाठी आहे.
सर्वात आधी फायदा मिळणारे नियमित श्रोते असतात जे बहिरे किंवा कमी ऐकू येणारे आहेत, दुसऱ्या भाषेत वाचणारे पाहुणे नव्हेत, जे तरीही स्वागतार्ह आहेत. श्रवणयंत्र असलेल्यांना हियरिंग लूप (इंडक्शन लूप) मदत करतो आणि इतरांना काहीच नाही; फोनवरचे कॅप्शन बाकीच्यांना मदत करते, आणि दोन्ही एकमेकांच्या स्पर्धेत नव्हे तर पूरक आहेत. अनेक ठिकाणी सार्वजनिक संस्थांवर सुलभतेची आणि खुल्या बैठकीची जबाबदारी असते, आणि जनता लाइव्ह व नंतरही वाचू शकेल असे ट्रान्सक्रिप्ट त्या दोन्ही बाबतीत खूप मदत करते. तुम्हाला स्थानिक पातळीवर काय लागू होते ते तपासा.
स्वयंचलित कॅप्शन म्हणजे काय याबाबत प्रामाणिक राहा. मानवी कॅप्शनर (काही देशांमध्ये या सेवेला CART म्हणतात) ऐकतो, समजतो आणि टाइप करतो. तीन सदस्य एकाच वेळी बोलत असलेल्या तापलेल्या परिषद चर्चेत मानवच यंत्रापेक्षा सरस ठरेल. एकमेकांवर बोलणे कोणत्याही स्वयंचलित प्रणालीत चुका निर्माण करते, आणि अध्यक्ष मायकपासून दूर कुजबुजले तरी तेच होते. शब्दशः कॅप्शनची कायदेशीर आवश्यकता असेल तेथे स्वयंचलित कॅप्शन पूरक आहेत, पर्याय नाहीत; आणि जर पर्याय काहीच नसेल तर ते काहीही नसण्यापेक्षा मोठी सुधारणा आहेत.
ट्रान्सक्रिप्ट दुसऱ्या दिवशी अधिक मौल्यवान असते.
प्रत्येक रेकॉर्डिंग तुमच्या लायब्ररीत जाते, आणि ब्रॉडकास्ट पेज लिंक असलेल्या कोणालाही मागील रेकॉर्डिंग दाखवते. ज्याने बैठक चुकवली तो ती जशी आली तशीच, ओळीओळीने, त्याच्या ऑडिओसह परत ऐकू शकतो.
शब्द अंतिम झाले की प्रत्येक भाषेत शीर्षक आणि सारांश लिहिला जातो. तुमच्या भाषेतील शोध दुसऱ्या भाषेत बनवलेली रेकॉर्डिंग्जही शोधतो, त्यामुळे लिपिक एखादा विषय ज्या महिन्यात चर्चिला गेला तो शोधू शकतो आणि विद्यार्थी एखादे सेमिस्टरमधले व्याख्यान शोधू शकतो. एक्सपोर्ट SRT सबटायटल्स, PDF, Excel किंवा JSON स्वरूपात येतात, दुरुस्त्या आणि भाषांतरांसह; भाषांतरित ट्रान्सक्रिप्टचे PDF इतिवृत्ताच्या शेजारी छान बसते. यापैकी काहीही एखाद्या व्यक्तीने बटण न दाबता व्हावे असे असेल तर VocalStack डॅशबोर्ड जे करतो ते सर्व API करतो, प्रत्येक प्लॅनमध्ये समान दराने: {{api}}/docs पाहा.
हे सर्व पॅरिश किंवा समितीच्या बजेटमध्ये बसायला हवे.
लाइव्ह ट्रान्सक्रिप्शनचा दर प्रति तास ऑडिओसाठी $0.60 आहे, प्रति सेकंद बिल होतो आणि प्रत्येक ट्रान्सक्रिप्शनला 5 मिनिटांची किमान मर्यादा असते, प्रत्येक प्लॅनमध्ये. श्रोते मोफत आहेत, कितीही असले तरी, आणि प्रत्येक ट्रान्सक्रिप्शनसाठी 10 भाषांपर्यंत भाषांतर समाविष्ट आहे.
नवीन खात्यासोबत $5 चे एकवेळचे साइनअप क्रेडिट मिळते आणि कार्ड मागितले जात नाही. हे क्रेडिट एका महिन्यापेक्षा जास्त रविवारांसाठी पुरेसे आहे. त्यानंतर तुम्ही जसे वापराल तसे टॉप-अप करा, किंवा Premium घ्या: दरमहा $50 (वार्षिक प्लॅनवर दरमहा $40). Premium मध्ये दर महिन्याला $50 क्रेडिट समाविष्ट आहे, जे 83 लाइव्ह तासांइतके आहे. ते खात्यातील प्रत्येक रेकॉर्डिंग 30 दिवसांऐवजी आयुष्यभर ठेवते, आणि क्रेडिट बैठकीच्या मध्येच संपले तरी ट्रान्सक्रिप्शन कापत नाही. खजिनदारासाठी दोन व्यावहारिक नोंदी: Pay as you go (जितका वापर, तितके पैसे) वर ट्रान्सक्रिप्शन सुरू होण्यास कोल्ड स्टार्टला 15 सेकंदांपर्यंत लागू शकतात, म्हणून सुरुवातीच्या भजनाआधी Start दाबा, दरम्यान नव्हे. आणि ज्या YouTube लाइव्हचे प्रसारण आधीच संपले आहे ते आता व्हिडिओ आहे, त्यामुळे ते फाइल म्हणून, खूप कमी फाइल दराने ट्रान्सक्रिप्ट होते.
एका खोलीसाठी आणि एका आवर्ती कार्यक्रमासाठी Pay as you go पुरेसे आहे. ज्या संस्थेला वर्षांनंतरही प्रत्येक रेकॉर्डिंग शोधण्यायोग्य हवे आहे, किंवा एकाच वेळी अनेक खोल्या चालवायच्या आहेत, तिने Premium निवडावे. पूर्ण तक्ता, मर्यादा आणि जतन कालावधीसह, किंमत पृष्ठावर आहे, आणि परस्परसंवादी डेमो श्रोत्याला काय दिसते ते दाखवतो.
