कॅप्शनचे यश मिक्सिंग डेस्कवर आणि वक्त्यांच्या स्लाइड्सवर ठरते. प्रत्येक स्टेजसाठी स्पीच मायक्रोफोनची एक स्वच्छ फीड घ्या आणि प्रत्येकजण स्टेजवर येण्यापूर्वी सर्व नावे आणि संक्षेप लोड करा; दिवसभरातील बाकीचे काम म्हणजे ही दोन्ही कामे चुकली असतील तर ती दुरुस्त करणे.
कॉन्फरन्सचे बहुतेक काम कोणी स्टेजवर येण्यापूर्वीच होते, आणि त्यातील बहुतेक काम सॉफ्टवेअरचे नसते.
लेक्चर्नवरील फोन खोलीतील आवाज ऐकतो; मिक्सिंग डेस्क वक्त्याचा आवाज ऐकतो. डेस्कवरूनच फीड घ्या, आणि कोणती फीड ते नेमके सांगा. साउंड इंजिनीअरला स्पीच मायक्रोफोनवरील आवाज वाहून नेणारा समर्पित aux किंवा matrix send मागा: लेक्चर्न, लॅपल मायक्रोफोन, पॅनल मायक्रोफोन. वॉक-इन संगीत, व्हिडिओ प्लेबॅक आणि अप्लॉज स्टेम यांना त्यापासून दूर ठेवा. जिंगलमधून ऐकावे लागणारे स्पीच रेकग्निशन गाण्याच्या बोलांबद्दल ठामपणे चुकीचा अंदाज बांधते.
हा send टेक रिहर्सलमध्ये तपासा, शक्य असल्यास खऱ्या मायक्रोफोनसह आणि खऱ्या स्पीकरसह. नाहीतर इव्हेंटच्या दिवशी सकाळी 8:55 वाजता कळते की matrix आउटपुट पोस्ट-फेडर आहे आणि इंजिनीअर भाषणांच्या मध्ये लेक्चर्न म्यूट करतो.
VocalStack ला तो फीड दोन पैकी एका मार्गाने द्या. पहिला मार्ग म्हणजे डेस्कवरील RTMP एन्कोडर. लाइव्ह ट्रान्सक्रिप्शनचा स्रोत म्हणून RTMP स्ट्रीम जोडता, तेव्हा डॅशबोर्ड सर्व्हर URL आणि स्ट्रीम की दाखवतो, जी एन्कोडरला हवी असते; ऑडिओ येत आहे का आणि कोणत्या फॉरमॅटमध्ये, हे सांगतो, आणि तुम्हाला तो ऐकूनही पाहता येतो. दुसरा मार्ग म्हणजे स्ट्रीम अ‍ॅड्रेस. स्टेज आधीच YouTube लाइव्ह किंवा ऑडिओ स्ट्रीम म्हणून जात असेल, तर ती लिंक पेस्ट करा, आणि VocalStack स्वतः ऑडिओ घेते; तुमच्या बाजूला काहीही चालवावे लागत नाही. स्ट्रीमचाच अ‍ॅड्रेस पेस्ट करा, तो ज्या पानावर वाजतो त्या पानाचा नव्हे. चुकून वेब पेज पेस्ट केले, तर डॅशबोर्ड तसे सांगतो.
प्रत्येक स्टेजसाठी एकच मायक्रोफोन फीड वापरा. प्रेक्षकांचे मायक्रोफोन आणि एकमेकांवर पडणारा आवाज अचूकतेची किंमत मोजायला लावतात, जी कोणतीही सेटिंग परत आणू शकत नाही. इमारतीतील सर्वोत्तम मायक्रोफोन त्या पॅनेलिस्टचा असतो, जो सतत त्यापासून दूर झुकत राहतो.
ऑडिओ येऊ लागला की, उपस्थितांना कॅप्शन वाचण्यासाठी जागा हवी असते.
ब्रॉडकास्ट म्हणजे ती लिंक, जी उपस्थित लोक उघडतात. Broadcasts मध्ये जाऊन तो तयार करा, त्याला नाव द्या आणि त्याची लिंक निवडा. डॅशबोर्ड नावावरून लिंक सुचवतो; ती तुम्ही बदलू शकता, फक्त ती किमान सहा अक्षरांची असावी. त्याच स्क्रीनवर QR कोड दिसतो, जो उपस्थित लोक स्कॅन करून लाइव्ह भाषांतर उघडतात आणि आपली भाषा निवडतात.
ब्रॉडकास्ट सार्वजनिक आहे की खाजगी, हे आताच ठरवा. सार्वजनिक म्हणजे लिंक असलेला कोणीही ते उघडू शकतो. खाजगी म्हणजे ट्रान्सक्रिप्ट दिसण्यापूर्वी उपस्थितांना एक छोटा पासवर्ड टाकावा लागतो. नंतर लिंक बदलायची असेल, तर ती बदला; जुनी लिंकही चालूच राहते.
मग लिंक हजारो फोनपर्यंत कशी पोहोचेल याचा विचार करा. प्रत्येक सेशनपूर्वी होल्डिंग स्लाइडवर, दारांवरील साइनेजवर आणि असल्यास लॅनयार्ड कार्डवर QR कोड लावा. एकाच वेळी शेकडो फोन जॉइन झाले, तर कार्यक्रमस्थळच्या वाय-फायवर खरा ताण येतो, त्यामुळे स्थळाला विचारा की अ‍ॅक्सेस पॉइंट्स कशासाठी आखले होते आणि गेस्ट नेटवर्क प्रति डिव्हाइस थ्रॉटल करते का. उत्तर अनिश्चित असेल, तर उपस्थितांना मोबाइल डेटा वापरायला सांगा. पेजेस लहान आहेत; धोका वाय-फायचा आहे.
दोन स्टेज असलेल्या कॉन्फरन्सला दोन लिंक लागत नाहीत. एकच ब्रॉडकास्ट अनेक लाइव्ह ट्रान्सक्रिप्शन्समधून एकाच वेळी फीड होऊ शकतो. स्टेज A आणि स्टेज B हे एकाच ब्रॉडकास्टला जोडलेले दोन ट्रान्सक्रिप्शन्स होतात, आणि उपस्थिताच्या फोनवर एकाच पानावर दोन्ही दिसतात. प्रत्येक स्टेज स्वतंत्र लाइव्ह ट्रान्सक्रिप्शन आहे, आणि प्रत्येक प्लॅन एकाच वेळी किती चालू शकतात यावर मर्यादा घालतो (Pay as you go वर 1, Premium वर 5, Enterprise वर मर्यादा नाही). ती मर्यादा खालील बजेट विभागात पुन्हा येते.
लिंक तितकीच चांगली असते जितके तिच्यामागचे शब्द चांगले असतात.
कोणत्याही सिस्टीममध्ये, लाइव्ह स्पीच रेकग्निशन नावे, उत्पादनांचे शब्द आणि संक्षेप यांवर अडखळते. सुरू करण्यापूर्वी प्रत्येक वक्त्याची स्क्रिप्ट किंवा स्लाइड्स जोडा; त्यातील नावे आणि शब्द इंजिनने ऐकलेल्या शब्दांपेक्षा प्राधान्याने वापरले जातात. भाषणादरम्यान Script टॅब शब्दांना टेलिप्रॉम्प्टरसारखा फॉलो करतो.
मशीन कॅप्शनिंग म्हणजे नेमके काय, हेही या टप्प्यावर प्रामाणिकपणे मान्य करा. स्पीच रेकग्निशन आणि मशीन भाषांतर म्हणजे CART (Communication Access Realtime Translation, म्हणजे प्रशिक्षित मानवी कॅप्शनरने लाइव्ह टाइप केलेले कॅप्शन) नव्हे, आणि ते इंटरप्रिटेशनही नव्हे. ते वेगवान, स्वस्त आणि न थकणारे आहे, पण अधूनमधून ते नकारार्थी वाक्य उलटे करेल, आकडा पूर्ण करेल किंवा विनोदाचे रूपांतर एखाद्या तथ्यात्मक विधानात करेल. कीनोट, प्रॉडक्ट सेशन किंवा पॅनलसाठी ही तडजोड सहसा योग्य असते. ज्या सेशनमध्ये एक चुकीचा शब्द परिणाम घडवू शकतो (कायदेशीर, वैद्यकीय, मतदान), तिथे मानवी कॅप्शनर किंवा इंटरप्रिटर बुक करा आणि मशीनला लिखित नोंदीसाठी त्याच्या बाजूने चालू ठेवा. प्रवेशयोग्यतेचा मूलभूत निकषही जाणून घेण्यासारखा आहे: WCAG 2.x लाइव्ह ऑडिओवर AA स्तरावर कॅप्शन मागते (निकष 1.2.4), आणि वाढत्या संख्येने सार्वजनिक क्षेत्रातील आणि ठिकाणांच्या करारांमध्ये त्याचाच उल्लेख असतो.
शब्द ठरल्यावर, शेवटची तयारी त्यांना कोण बोलणार आहे याबद्दल आहे.
स्पीकर लेबल्स प्रेक्षकांना सांगतात की कोण बोलत आहे. स्विच When Needed वर ठेवा; मग दुसरा वक्ता ऐकला गेल्यावरच लेबल्स दिसतात, त्यामुळे कीनोट साधा मजकूर म्हणून वाचला जातो आणि पॅनल संभाषणासारखे वाचले जाते.
पहिल्या ओळीपासून वक्त्यांना नावाने ओळखायचे असेल, तर Voices अंतर्गत त्यांचे आवाज आधीच नोंदवा. एका व्यक्तीच्या बोलण्याची एक क्लिप पुरेशी आहे: MP3, M4A किंवा WAV, किमान तीस सेकंद, पण काही मिनिटे अधिक चांगली. त्या व्यक्तीने संमती दिलेली असावी, आणि आवाज तयार करण्यापूर्वी डॅशबोर्ड तुम्हाला परवानगी असल्याची पुष्टी करायला सांगतो. ते फक्त चेकबॉक्स मानू नका. GDPR अंतर्गत, एखाद्या व्यक्तीला ओळखण्यासाठी वापरलेला व्हॉइसप्रिंट साधारणपणे बायोमेट्रिक डेटा मानला जातो (Article 9). म्हणजे स्पष्ट संमती आणि व्हॉइसप्रिंट हटवून घेण्याचा अधिकार. इतर ठिकाणीही अशाच नियमांची तरतूद आहे, आणि वक्त्यांच्या करारांमध्ये हे सहज समाविष्ट करता येते. क्लोन केलेला आवाज कधीही हटवता येतो. तो अस्तित्वात असेपर्यंत, श्रोते त्या वक्त्याचे भाषांतर जुळत्या आवाजात ऐकू शकतात.
योजना ठरल्यावर, उरलेले काम त्या दिवसाचे आहे.
प्रत्येक लाइव्ह ट्रान्सक्रिप्शनमध्ये Speed टॅब असतो, ज्यात विलंब मोड आणि कालांतराने विलंब दाखवणारा चार्ट असतो. तीन सेटिंग्ज आहेत:
स्वच्छ डेस्क फीडसह असलेल्या स्क्रिप्टेड कीनोटसाठी Auto योग्य आहे; चार वेगवेगळे उच्चार असलेल्या आणि स्क्रिप्ट नसलेल्या तांत्रिक पॅनलसाठी, अतिरिक्त विलंब सहन करून Accuracy फायद्याची ठरते.
सुरुवातीचा वेळ हा दुसरा विचार करण्याजोगा मुद्दा आहे. Pay as you go वर कोल्ड स्टार्टला ट्रान्सक्रिप्शन सुरू होण्यापूर्वी 15 सेकंदांपर्यंत वेळ लागू शकतो. Premium सहसा वॉर्म सुरू होतो, आणि Enterprise नेहमीच वॉर्म सुरू होतो. पहिल्या शब्दाच्या वेळी नव्हे, तर वॉक-इनदरम्यान स्टार्ट दाबा.
मोड कोणताही असला, तरी काही शब्द चुकीचे येतील, त्यामुळे कोणीतरी ते पाहत राहायला हवे.
डेस्कवर कोणीतरी Fix टॅब उघडा ठेवा. त्यात दोन स्विच आहेत: Mark uncertain words इंजिनला ज्या शब्दांबद्दल खात्री नव्हती ते शब्द रंगवते आणि अधोरेखित करते, आणि Click to correct त्यावर क्लिक केल्यावर पुनरावलोकनासाठी एक ओळ उघडते. टॅब अनिश्चित भाग एकेक करून दाखवतो, आणि एक दुरुस्ती प्रत्येक भाषेतील प्रत्येक श्रोत्यापर्यंत पोहोचते.
कोणत्याही खोलीत प्रेक्षकांचा मायक्रोफोन हा कमकुवत दुवा असतो, आणि प्रश्नोत्तर सत्रात (Q&A) ते स्पष्ट दिसते. उत्तर देण्यापूर्वी प्रत्येक प्रेक्षक-प्रश्न मॉडरेटरने स्वतःच्या मायक्रोफोनवर पुन्हा सांगावा असे सांगा. कॅप्शन्स त्याचे आभार मानतील, आणि मागच्या रांगेतील लोकही, ज्यांना तो प्रश्नसुद्धा ऐकू आलेला नव्हता.
सेशनच्या मध्ये, डेस्कचे काम वेगळे असते.
होस्ट स्क्रीन रेकॉर्डिंग थांबवू आणि पुन्हा सुरू करू शकते, आणि श्रोत्यांच्या पानावर एक सूचना दिसते: "थांबवले. होस्ट पुन्हा सुरू करेपर्यंत ट्रान्सक्रिप्ट सुरूच राहील." हा विराम सेशन बदलताना वापरण्यासाठी आहे, जेवणाच्या सुटीसाठी नव्हे. प्रत्येक रेकॉर्डिंगसाठी कमाल विराम वेळ डॅशबोर्डमध्ये 30 सेकंद, 1 मिनिट किंवा 3 मिनिटे अशी सेट केलेली असते; जास्त वेळ विराम दिलेले रेकॉर्डिंग आपोआप संपते.
मोठ्या अंतरासाठी रेकॉर्डिंग थांबवा आणि पुढचे सेशन सुरू झाल्यावर नवे रेकॉर्डिंग सुरू करा. प्रत्येक रेकॉर्डिंग ब्रॉडकास्टच्या पानावर सूचीबद्ध राहते, त्यामुळे दुपारी उपस्थित सकाळच्या सेशनपर्यंत मागे स्क्रोल करू शकतात. एकाच लाइव्ह रेकॉर्डिंगची कमाल मर्यादा Pay as you go वर काही तास आणि Premium वर अधिक आहे (नेमके आकडे किंमत पानावर आहेत), त्यामुळे लांबच्या दिवसात अनेक रेकॉर्डिंग असतीलच.
सकाळच्या मध्यावर, खरोखर कोण वाचत आहे ते तपासा.
Broadcast टॅबमधील प्रेक्षक दृश्य दाखवते की कोण आत आहे, आता किती जण ऐकत आहेत, त्यांनी कोणत्या भाषा उघडल्या आहेत आणि कालांतराने श्रोते कसे बदलले. प्रत्येक ट्रान्सक्रिप्शनमध्ये जास्तीत जास्त 10 भाषा असतात, आणि प्रत्येक श्रोता आपल्या डिव्हाइसवर एक भाषा निवडतो. त्यामुळे हे दृश्य सांगते की खोलीत खरोखर कोणत्या भाषा वाचल्या जातात, आणि ती आयोजकांनी अंदाजलेल्या यादीपेक्षा क्वचितच वेगळी असते. माद्रिदमधून नोंदणी केलेले प्रतिनिधी प्रत्यक्षात इंग्रजी वाचतात असे दिसून येते; पोर्तुगीज रांग अशा तक्त्यातून भरते ज्याची कोणाला अपेक्षा नव्हती. ती यादी पुढल्या वर्षासाठी घरी घेऊन जा.
त्यापैकी प्रत्येक श्रोता मोफत आहे. पैसे खर्च होतात ते ऑडिओसाठी.
लाइव्ह ट्रान्सक्रिप्शनचा दर प्रति तास ऑडिओसाठी $0.60 आहे, प्रति सेकंद बिलिंगसह, प्रत्येक ट्रान्सक्रिप्शनसाठी किमान 5 मिनिटांच्या बिलासह, सर्व प्लॅनमध्ये आणि API द्वारे. प्रत्येकी आठ तास चालणारे दोन स्टेज म्हणजे 16 तासांचा लाइव्ह ऑडिओ, किंवा $9.60. भाषांतरे, ब्रॉडकास्टिंग, सारांश आणि एक्सपोर्ट्स समाविष्ट आहेत, किती लोक ऐकत असले तरी.
प्लॅन दर नव्हे, तर क्षमता ठरवतो. Pay as you go मध्ये साइनअपवर $5 एकवेळचे क्रेडिट मिळते, कार्डची गरज नसते, एका वेळी एक ट्रान्सक्रिप्शन चालते आणि कमाल रेकॉर्डिंग 5 तासांचे असते. क्रेडिट शून्यावर पोहोचताच लाइव्ह ट्रान्सक्रिप्शन लगेच थांबते, म्हणून दारे उघडण्यापूर्वी टॉप-अप करा. Premium दरमहा $50 आहे (वार्षिक प्लॅनवर दरमहा $40), आणि त्यात दर महिन्याला $50 क्रेडिट मिळते, जे 83 लाइव्ह तास भागवते. त्यात एका वेळी पाच ट्रान्सक्रिप्शन आणि 10 तासांचे रेकॉर्डिंग चालतात, आणि ग्रेस पीरियडही आहे: शून्य झाल्यानंतरही लाइव्ह ट्रान्सक्रिप्शन काही वेळ चालू राहते, आणि जादा मिनिटे त्याच दराने बिल होतात. दोन समांतर स्टेजसाठी Premium लागतो. Enterprise मध्ये सानुकूल किंमत, मर्यादा नसलेले समांतर ट्रान्सक्रिप्शन, 24 तासांचे रेकॉर्डिंग आणि समर्पित इंजिन पूल आहे.
संपूर्ण तक्त्यासाठी किंमत पान पाहा, आणि कार्यक्रमाच्या आधीच्या आठवड्यात डॅशबोर्डमधील Billing अंतर्गत तुमची शिल्लक तपासा.
ऑडिओ थांबला की बिलही थांबते; ट्रान्सक्रिप्ट मात्र थांबत नाही.
ट्रान्सक्रिप्ट्स Pay as you go वर 30 दिवस ठेवल्या जातात, आणि Premium व Enterprise वर मर्यादेशिवाय. Pay as you go वर स्रोत ऑडिओ फक्त 7 दिवस ठेवला जातो. तुम्ही मोफत प्लॅनवर असाल, तर आठवड्याभरात एक्सपोर्ट करा.
उपस्थिताच्या नजरेतून लिंक कशी दिसते ते पाहण्यासाठी एक लिंक, प्रत्येक भाषा वाचा, किंवा मुख्यपृष्ठावरील लाइव्ह डेमो वापरून पाहा.
