बहुभाषिक खोलीला प्रत्येक भाषेसाठी वेगळा बूथ लागत नाही. तिला डेस्कवरून एकच स्वच्छ ऑडिओ फीड, प्रेक्षकांनी स्वतःच्या फोनवर उघडायची एकच लिंक, आणि बोलणे सुरू असतानाच चुकीने ऐकलेले नाव दुरुस्त करण्याचा मार्ग हवा असतो.
भाषण, सेवा, व्याख्यान किंवा नगरपरिषदेची बैठक यात एकच व्यक्ती बोलते, आणि श्रोत्यांपैकी सर्वजण त्या भाषेत विचार करत नाहीत. यावर नेहमीची उत्तरे महाग, अपूर्ण किंवा खाजगी असतात.
महाग उत्तर म्हणजे प्रत्येक भाषेसाठी एक दुभाषी. प्रत्येक भाषेसाठी एक जरी असला, तरी त्यासाठी बूथ, रिसीव्हरचे संच आणि खोलीतील प्रत्येक भाषेसाठी एक तज्ज्ञ लागतो, आणि हे तज्ज्ञ एकसारखे बोलत नाहीत. वेळेच्या दबावाखाली प्रत्येक दुभाषी स्वतःच्या निवडी करतो: एखाद्या संज्ञेसाठी कोणता शब्द वापरायचा, काय संक्षिप्त करायचे, वक्ता वेगाने बोलू लागला तर काय वगळायचे. साध्या भाषणात हा फरक क्वचितच महत्त्वाचा ठरतो. पण कायदेशीर सुनावणी, नगरपरिषदेचे मतदान किंवा तांत्रिक माहितीच्या सादरीकरणात तो महत्त्वाचा ठरतो: एखादी व्याख्या, एखादे डोस किंवा एखादे कलम फ्रेंच श्रोत्यांपर्यंत एका अर्थाने आणि अरबी श्रोत्यांपर्यंत दुसऱ्या अर्थाने पोहोचू शकते, आणि खोलीतील कोणालाही ते लक्षात येण्याची स्थिती नसते. अपूर्ण उत्तर म्हणजे एकाच पडद्यावर, फक्त एका दुसऱ्या भाषेतील सबटायटल फीड. खाजगी उत्तर म्हणजे खोलीकडे धरलेले पन्नास फोन: प्रत्येक फोन थोडेफार चुकीचे ट्रान्स्क्रिप्ट देतो, आणि प्रत्येक फोनला प्रतिध्वनी आणि खोकला वक्त्याइतकाच स्पष्ट ऐकू येतो.
पर्याय असा: वक्त्याचे बोलणे एकदा स्वच्छ स्रोतातून ट्रान्स्क्रिप्ट करायचे, ते एकच ट्रान्स्क्रिप्ट श्रोत्यांना हव्या त्या भाषांमध्ये भाषांतरित करायचे, म्हणजे प्रत्येक भाषा एकाच शब्दांपासून सुरू होते, आणि प्रत्येक श्रोत्याला स्वतःच्या उपकरणावर भाषा निवडू द्यायची. कार्यक्रम संपल्यावर रेकॉर्डिंग जतन केले जाते. यजमान आणि श्रोता दोघेही हे कसे सेट करतात आणि त्याचा खर्च किती येतो, ते पुढे दिले आहे.
लाइव्ह ट्रान्स्क्रिप्शन कोणत्याही उपकरणावरील मायक्रोफोन ऐकू शकते, सर्व्हर URL आणि स्ट्रीम की स्वीकारणाऱ्या कोणत्याही एन्कोडरवरून (जसे OBS किंवा इतर) येणारी RTMP फीड ऐकू शकते, YouTube लाइव्ह ऐकू शकते, इंटरनेट रेडिओ स्टेशन ऐकू शकते, किंवा स्ट्रीम देणारी कोणतीही URL ऐकू शकते. स्ट्रीमसाठी ऑडिओ VocalStack स्वतः घेते; तुमच्या बाजूला काहीही चालवावे लागत नाही.
स्रोत कोणत्याही सेटिंगपेक्षा अधिक महत्त्वाचा असतो. खोलीतील मायक्रोफोन, किंवा टेबलावर ठेवलेला फोन, वक्त्यासोबत खोलीचा आवाजही ऐकतो: भिंती, खुर्च्या आणि श्रोत्यांवरून परावर्तित होणारा प्रतिध्वनी. आवाज त्या गोंगाटाच्या तुलनेत कमी होतो तेव्हा स्पीच रेकग्निशनची अचूकता झपाट्याने घसरते, म्हणूनच ते पन्नास फोन एकमेकांशी विसंगत उत्तर देतात. मिक्सिंग डेस्कवरील फीडमध्ये वक्त्याचा स्वतःचा मायक्रोफोन असतो आणि त्यात खोलीचा आवाज कमी असतो, त्यामुळे ट्रान्स्क्रिप्ट वक्त्याचे बोलणे अनुसरते, खोलीचा आवाज नाही. ठिकाणी डेस्क असेल तर फीड तिथूनच घ्या.
बोलली जाणारी भाषा आपोआप ओळखली जाते, आणि वक्ता कधीही भाषा बदलू शकतो; आधीच भाषेचे नाव दिल्यास गोंगाटाच्या किंवा जड उच्चारांच्या रेकॉर्डिंगमध्ये मदत होते. वक्त्यांच्या लेबलांसाठी बंद, चालू किंवा When Needed असे पर्याय आहेत; दुसरा वक्ता ऐकू आला की ते चालू होते. ऑडिओ येऊ लागल्यावर श्रोत्यांना तो कुठे सापडेल, याची सोय करावी लागते.
ब्रॉडकास्ट म्हणजेच लिंक: एक पत्ता आणि एक QR कोड, जो स्कॅन करून श्रोते लाइव्ह भाषांतर उघडू शकतात आणि आपली भाषा निवडू शकतात. लिंक ब्रॉडकास्टला दिलेल्या नावावरून बनते. नंतर नाव बदललात तरी जुनी लिंक चालू राहते, त्यामुळे कार्यक्रमपत्रिकेवर छापलेला QR कोड कालबाह्य होत नाही.
ब्रॉडकास्ट डीफॉल्टने सार्वजनिक असतो: लिंक असलेला कोणीही तो उघडू शकतो. तो खाजगी करून पासवर्ड ठेवलात, तर ट्रान्स्क्रिप्ट दिसण्यापूर्वी श्रोत्यांना पासवर्ड विचारला जातो.
एका ब्रॉडकास्टला अनेक लाइव्ह ट्रान्स्क्रिप्शनमधून फीड मिळू शकते, त्यामुळे दोन मंच असलेली परिषद एकच लिंक वापरू शकते. लिंक लोकांना आत आणते; त्यांना टिकवून ठेवते ते म्हणजे नावे बरोबर येणे.
स्पीच रेकग्निशन सामान्यतः लोक कसे बोलतात यावर प्रशिक्षित असतात, त्यामुळे एखादा आवाज अस्पष्ट असला की ते नेहमीचा शब्द निवडतात. उत्पादनाचे नाव, आडनाव, गाव, रसायन: यांपैकी प्रत्येकाला एक अधिक वारंवार वापरला जाणारा, जवळजवळ सारखा उच्चार असलेला शब्द असतो, आणि रेकग्निशनला दुर्मिळ शब्द येणार आहे हे सांगितले नाही तर तोच शब्द बाहेर येतो. यासाठीच स्क्रिप्ट असते. सुरू करण्यापूर्वी स्क्रिप्ट किंवा स्लाइड्स जोडा, आणि त्यातील नावे व संज्ञा चुकीने ऐकलेल्या शब्दांपेक्षा वरचढ ठरतील. विशेष विषयाच्या भाषणात ओळख सहसा नेमक्या याच नावांवर आणि संज्ञांवर चुकते. रेकॉर्डिंगदरम्यान Script टॅब टेलिप्रॉम्प्टरप्रमाणे चालतो आणि आतापर्यंत बोललेले शब्द प्रकाशित करतो.
इतकेच सेटअप आहे. लिंकच्या दुसऱ्या बाजूला त्याहूनही कमी करायचे आहे.
श्रोत्याला लिंक किंवा QR कोड आणि एक फोन लागतो. ब्राउझरमध्ये लिंक उघडल्यावर यजमानाने रेकॉर्ड दाबेपर्यंत The broadcast hasn't started yet दिसते, आणि नंतर Live. The first line appears in a moment. दिसते. यजमानाने निवडलेल्या भाषांमधून (प्रत्येक ट्रान्स्क्रिप्शनसाठी जास्तीत जास्त 10, उपलब्ध 100 पैकी) श्रोता निवड करतो आणि वक्ता बोलत असताना ट्रान्स्क्रिप्ट वाचतो. यजमान स्वतःच्या भाषेत बोलत राहतो. श्रोता कधीही भाषा बदलू शकतो; आतापर्यंतचे ट्रान्स्क्रिप्ट नव्या भाषेत पुन्हा दाखवले जाते.
श्रोत्याला ऐकायचे असेल तर भाषांतरित प्रत्येक ओळ मोठ्याने वाचून दाखवली जाते. डीफॉल्टने प्रत्येक वक्त्याला त्याच्या लिंगाशी जुळणारा वेगळा तयार आवाज मिळतो, त्यामुळे पॅनेल अजूनही पॅनेलसारखेच वाटते.
तीन टप्पे क्रमाने होतात, आणि प्रत्येक टप्पा आधीच्याची वाट पाहतो. शब्द निश्चित करण्यापूर्वी ओळखीला बोलण्याचा एक तुकडा लागतो, म्हणून ट्रान्स्क्रिप्ट वक्त्यापेक्षा काही अंश सेकंद मागे राहते. भाषांतराला पूर्ण वाक्यांश लागतो, कारण भाषांमध्ये शब्दक्रम वेगळा असतो आणि वाक्याचा शेवट सुरुवात बदलू शकतो, म्हणून ते एक-दोन सेकंद उशिराने येते. भाषणाला भाषांतरित वाक्य हवे असते, म्हणून बोललेली ओळ सर्वात शेवटी येते. यात दुरुस्त करण्यासारखा दोष नाही; या तिन्ही गोष्टी करणाऱ्या कोणत्याही प्रणालीला हे करावेच लागते, मानवी दुभाष्यालाही, जो क्रियापदाची वाट पाहतोच.
वक्त्याच्या परवानगीने यजमान त्या व्यक्तीने एकट्याने बोललेल्या तीस सेकंदांवरून (MP3, M4A किंवा WAV; काही मिनिटे अधिक चांगली) वक्त्याचा आवाज क्लोन करू शकतो. मग भाषांतर प्रत्येक भाषेत वक्त्याच्याच आवाजात वाचले जाते. आवाजाला तो जसा आहे तसा बायोमेट्रिक डेटा समजा. GDPR अंतर्गत एखाद्या व्यक्तीला ओळखण्यासाठी प्रक्रिया केलेला आवाज सामान्यतः अनुच्छेद 9 मधील विशेष श्रेणीत येतो, आणि काही अमेरिकन राज्ये, त्यात इलिनॉयचाही समावेश आहे, व्हॉईसप्रिंट्सचे स्वतंत्रपणे नियमन करतात. नमुना नोंदवला जाण्यापूर्वी वक्त्याची स्पष्ट संमती घ्या, नंतर नव्हे; आवाज कधीही हटवता येतो. क्लोनिंगमुळे वक्त्याची ओळख नोंदवली जाते, त्यामुळे पुढील रेकॉर्डिंगमध्ये त्याला नावाने लेबल केले जाते. यजमान प्रत्येक वक्त्याला आवाज देऊ शकतो किंवा एखाद्याला म्यूट करू शकतो.
उशिरा आलेल्या श्रोत्याला तो येण्यापूर्वी जे बोलले गेले ते सर्व दिसते, आणि मग तो लाइव्ह ट्रान्स्क्रिप्टचे अनुसरण करतो. कनेक्शन तुटले तर ते परत आल्यावर पेज स्वतःहून पकडून घेते. यजमान थांबवतो तेव्हा श्रोत्यांना Paused. The transcript continues when the host resumes. दिसते. यजमान संपवतो तेव्हा पेजवर रेकॉर्डिंगची तारीख आणि लांबी दिसते, आणि ब्रॉडकास्टमध्ये पुन्हा ऐकण्यासाठी मागील रेकॉर्डिंगची यादी दिसते.
श्रोता फक्त तेच वाचू शकतो जे इंजिनने ऐकले, आणि लाइव्ह ओळख त्यातील काही भाग चुकीचा समजते.
यजमानाच्या स्क्रीनवर त्यासाठीच Fix टॅब असतो. Mark uncertain words इंजिनला ज्या शब्दांबद्दल खात्री नव्हती ते रंगवते आणि अधोरेखित करते; Click to correct पुनरावलोकनासाठी एक ओळ उघडते. टॅब अनिश्चित भाग एकावेळी एक करून दाखवतो, त्यामुळे डेस्कवरील दुसरी व्यक्ती वक्ता बोलत राहत असतानाच ते भाग तपासू शकते.
यजमान एखादा शब्द किंवा ओळ पुन्हा लिहितो, अगदी जी अजून बोलली जात असतानाही, तेव्हा प्रत्येक श्रोत्याला ती दुरुस्ती दिसते. ज्या ओळीचा आत्मविश्वास खूप कमी आहे ती श्रोत्यांपासून Audio unclear म्हणून लपवली जाते, चुकीची दाखवली जात नाही; यजमानाला मात्र प्रत्येक शब्द दिसतो. रिकामी जागा ही ज्ञात उणीव असते; खात्रीने चुकीचा शब्द ही अफवा असते.
कार्यक्रम संपल्यावरही त्या दुरुस्त्या नाहीशा होत नाहीत.
सर्व काही जतन होते. रेकॉर्डिंग, दुरुस्त्या आणि भाषांतरांसह त्याचे ट्रान्स्क्रिप्ट, आणि ऑडिओ यजमानाच्या लायब्ररीत जातात. रिप्ले ते जसे आले तसेच, ओळीनुसार, त्याच्या ऑडिओसह परत वाजवतो. शब्द अंतिम झाल्यावर प्रत्येक भाषेत शीर्षक आणि सारांश लिहिला जातो, आणि यजमानाच्या स्क्रीनवरील Summary आणि Export टॅब ते थेट कार्यक्रमातून बाहेर घेऊन जातात.
एक्सपोर्ट म्हणजे SRT सबटायटल्स, PDF, Excel किंवा JSON, ज्यात दुरुस्त्या आणि भाषांतरे समाविष्ट असतात, आणि ऑडिओ MP3 म्हणून डाउनलोड होतो. प्रत्येक ट्रान्स्क्रिप्ट कोणत्याही भाषेत शोधता येतो.
Audience दृश्य दाखवते की कोण ऐकत होते, कोणत्या भाषेत, आणि कधी सामील झाले: आयोजकाला कोणाला कोणती भाषा हवी होती याची अनेकदा पहिली खरी मोजणी हीच मिळते. तोपर्यंत अंदाज असा असे: इंग्रजीत विचारल्यावर ज्याला भाषांतर हवे आहे त्याने हात वर करावा. श्रोत्यांचे ओळखकर्ते रेकॉर्डिंगबरोबर हटवले जातात.
स्पीच रेकग्निशन, स्पीकर रेकग्निशन आणि व्हॉईस सिंथेसिस आम्ही चालवलेल्या सर्व्हरवर चालतात, आणि तुमचा ऑडिओ प्रक्रियेसाठी कोणत्याही तृतीय पक्षाला पाठवला जात नाही. तुमचा ऑडिओ, ट्रान्स्क्रिप्ट किंवा आवाज आम्ही मॉडेल प्रशिक्षणासाठी वापरत नाही.
धारणा (retention) योजनेनुसार चालते: Pay as you go वर स्रोत ऑडिओ आणि आवाज 7 दिवस, आणि ट्रान्स्क्रिप्शन 30 दिवस ठेवले जातात; Premium आणि Enterprise खाते असेपर्यंत ठेवतात. योजना ठरवणारी दुसरी गोष्ट म्हणजे बिल.
दोन आकडे महत्त्वाचे आहेत. Pay as you go आणि Premium वर लाइव्ह ट्रान्स्क्रिप्शन $0.60 प्रति तास ऑडिओसाठी आहे, प्रति सेकंद बिलिंग आणि प्रति ट्रान्स्क्रिप्शन किमान 5 मिनिटे, डॅशबोर्डवर आणि API द्वारे सारखेच; Enterprise साठी व्हॉल्यूम दर आहेत. श्रोते आणि भाषा मोफत आहेत: दोनशे लोकांनी पाच भाषांमध्ये वाचलेल्या एका तासाच्या कार्यक्रमाचा खर्च $0.60 आहे. फाइल्स स्वस्त आहेत ($0.20 प्रति तास), कारण लाइव्ह ट्रान्स्क्रिप्शन संपूर्ण कार्यक्रमभर रिअल-टाइममध्ये चालते. योजनांमध्ये एकाच वेळी चालणारी सत्रे, कमाल रेकॉर्डिंगची लांबी आणि सुरू होण्याचा वेग वेगवेगळा आहे; Pay as you go वर कोल्ड स्टार्टला 15 सेकंदांपर्यंत लागू शकतात, म्हणून वक्ता बोलण्यापूर्वी थोडे आधी रेकॉर्ड दाबा, साधारण "मागच्या रांगेत सगळ्यांना मी ऐकू येतोय ना?" या वाक्याइतके आधी. संपूर्ण तक्ता किंमत पृष्ठावर आहे.
मुख्यपृष्ठावर दोन-फोनचा डेमो आहे, आणि डॅशबोर्ड वरील नवीन खात्याला $5 साइनअप क्रेडिट मिळते आणि त्यासाठी कार्ड लागत नाही. लाइव्ह दराने, तो क्रेडिट आठ तासांहून अधिक ब्रॉडकास्टसाठी पुरतो.
यावर आणि मोबाइलमध्ये अंगभूत असलेल्या लाइव्ह भाषांतरामध्ये निर्णय घेत आहात? खोलीसाठी फोन का पुरेसा नाही ते वाचा. मोठ्या कार्यक्रमासाठी, बहुभाषिक परिषद चेकलिस्ट ऑडिओ मार्ग, एकाच लिंकवर अनेक मंच आणि बजेट यांचा समावेश करते. डेव्हलपर्स हे सर्व कोडमधून API संदर्भ द्वारे, त्याच दरात करू शकतात.
