रिअल-टाइम ट्रान्सक्रिप्शन आणि भाषांतर: लाइव्ह स्पीच टू टेक्स्ट कसे चालते, ते किती मागे राहते, अचूकतेवर काय परिणाम करते आणि खर्च किती.
रिअल-टाइम ट्रान्सक्रिप्शन माणूस बोलत असतानाच बोलणे मजकुरात बदलते. शब्द बोलल्यानंतर क्षणभरात स्क्रीनवर दिसतात, अंतिम ओळींमध्ये स्थिरावतात, आणि सोबत पाहणारा कोणीही ते वाचू शकतो. रिअल-टाइम भाषांतर जोडा, आणि प्रत्येक वाचक तेच भाषण स्वतःच्या भाषेत, मजकूर म्हणून किंवा मोठ्याने वाचलेले, पाहू शकतो.
हे मार्गदर्शक रिअल-टाइम ट्रान्सक्रिप्शन आणि भाषांतर दोन्ही बाजूंनी पाहते: श्रोता काय पाहतो, ऑडिओ कुठून येऊ शकतो, अचूकता कशावर ठरते, डेव्हलपर्सना API मधून काय मिळते आणि खर्च किती.
रिअल-टाइम ट्रान्सक्रिप्शन, ज्याला लाइव्ह ट्रान्सक्रिप्शन किंवा लाइव्ह स्पीच टू टेक्स्ट असेही म्हणतात, म्हणजे ऑडिओ अजून येत असतानाच चालणारी स्पीच रेकग्निशन. रेकॉर्ड केलेली फाइल संपूर्ण रेकॉर्डिंग हातात घेऊन ट्रान्स्क्राइब करता येते. लाइव्ह ट्रान्सक्रिप्शनला फक्त शेवटच्या काही सेकंदांच्या आधारावर शब्द ठरवावे लागतात, आणि वक्ता बोलत असेल तोपर्यंत त्याच्यासोबत राहावे लागते.
लाइव्ह कॅप्शन्स म्हणजे तेच, व्हिडिओवर किंवा स्क्रीनवर छोट्या ओळींच्या रूपात दाखवलेले.
VocalStack वर लाइव्ह ट्रान्सक्रिप्शन 100 भाषांमध्ये ऐकू शकते. ते बोलली जाणारी भाषा स्वतः ओळखते आणि वक्त्याने भाषा बदलली तर त्याच्यामागे जाते, जे आपोआप भाषा ओळखणे कसे चालते मध्ये स्पष्ट केले आहे, तसेच भाषा आधी कधी सांगावी हेही.
मजकूर दोन टप्प्यांत येतो. सर्वात नवे शब्द आधी मसुदा म्हणून दिसतात, जो अधिक ऑडिओ आल्यावर अजून बदलू शकतो. क्षणभराने मसुदा अंतिम ओळीत स्थिरावतो, जी पुन्हा बदलत नाही.
मसुदा अस्तित्वात असतो कारण ओळखकर्ता एखादा शब्द अंशतः त्याच्या पाठोपाठ येणाऱ्या गोष्टीवरून ठरवतो. "Ice cream" आणि "I scream" पुढचा शब्द येईपर्यंत सारखेच ऐकू येतात. अंदाज लवकर दाखवल्यामुळेच ट्रान्स्क्रिप्ट लाइव्ह वाटते.
मजकूर वक्त्यापेक्षा किती मागे चालतो ते टप्प्यावर अवलंबून असते:
दोन विलंब त्या साखळीच्या बाहेर असतात. स्रोत मायक्रोफोन नसून सार्वजनिक स्ट्रीम असेल, तेव्हा स्ट्रीम स्वतःच आपल्या लाइव्ह कडेपासून मागे असतो: साध्या इंटरनेट रेडिओ स्ट्रीमसाठी एक ते तीन सेकंद, आणि HLS साठी काही सेकंदांपासून अर्ध्या मिनिटापर्यंत. आणि Pay as you go वर लाइव्ह ट्रान्सक्रिप्शनला सुरू व्हायला 15 सेकंदांपर्यंत लागू शकतात. Auto, Fast आणि Accuracy या विलंब मोडसह संपूर्ण तपशील लाइव्ह भाषांतराचा विलंब, स्पष्टीकरणासह मध्ये आहे.
भाषांतर ट्रान्स्क्रिप्टच्या वर चालते. एका लाइव्ह ट्रान्सक्रिप्शनचे एकाच वेळी 10 भाषांपर्यंत भाषांतर करता येते, 100 मधून निवडलेल्या. प्रत्येक श्रोता स्वतःच्या उपकरणावर त्यांपैकी एक निवडतो आणि कधीही बदलू शकतो; आतापर्यंतची ट्रान्स्क्रिप्ट नव्या भाषेत पुन्हा दाखवली जाते.
प्रत्येक भाषा त्याच ट्रान्स्क्रिप्टमधून भाषांतरित होते, म्हणून प्रत्येक श्रोत्याला तेच शब्द मिळतात, आणि दुरुस्ती सर्वांपर्यंत पोहोचते.
वाचण्यापेक्षा ऐकणे पसंत करणारा श्रोता प्रत्येक भाषांतरित ओळ मोठ्याने वाचून घेऊ शकतो. डीफॉल्टनुसार प्रत्येक स्पीकरला त्याच्या लिंगाशी जुळणारा वेगळा स्टॉक आवाज मिळतो, म्हणून पॅनेल अजूनही अनेक व्यक्तींसारखे ऐकू येते. स्पीकरच्या संमतीने यजमान तो एकटा बोलत असतानाच्या सुमारे 30 सेकंदांवरून त्याचा आवाज क्लोन करू शकतो, आणि मग भाषांतर त्याच्याच आवाजात वाचले जाते.
आवाजांचा नियम जाणीवपूर्वक अरुंद आहे. आवाज फक्त त्याच व्यक्तीने जे म्हटले तेच, श्रोत्याने निवडलेल्या भाषेत भाषांतरित करून, वाचतो. कोणीतरी टाइप केलेला मजकूर तो कधीही वाचत नाही, आणि एका स्पीकरचे शब्द दुसऱ्या स्पीकरच्या आवाजात कधीही वाचत नाही.
संपूर्ण खोलीसाठी हे कसे चालते, यजमानाच्या सेटअपपासून उशिरा आलेल्या श्रोत्यापर्यंत, ते एक लिंक, सर्व भाषा मध्ये आहे.
लाइव्ह ट्रान्सक्रिप्शनला ऑडिओ स्रोत लागतो. VocalStack आज हे स्वीकारते:
YouTube च्या स्वतःच्या प्लेअरमधील कॅप्शन्स, त्याच्या CC बटणाद्वारे, लवकरच येत आहेत. तोपर्यंत YouTube स्ट्रीमचे दर्शक ब्रॉडकास्ट लिंकवर कॅप्शन्स पाहतात.
तुम्हाला आजच Windows वर लाइव्ह ट्रान्सक्रिप्शन हवे असेल, तर Chrome किंवा Edge एक्स्टेंशन, OBS प्लगइन आणि ब्राउझरमधील Dashboard तिथे सर्व चालतात.
ब्रॉडकास्ट म्हणजे इतर लोक लाइव्ह ट्रान्सक्रिप्शन ज्याद्वारे पाहतात ती पद्धत. ती एक लिंक आणि एक QR कोड असतो. श्रोते ती ब्राउझरमध्ये उघडतात, भाषा निवडतात आणि वाचतात. त्यांना खाते लागत नाही, काही इन्स्टॉल करावे लागत नाही आणि त्यांचा काही खर्च नाही: बिल श्रोत्यांच्या किंवा भाषांच्या संख्येनुसार बदलत नाही.
ब्रॉडकास्ट डीफॉल्टनुसार सार्वजनिक असते आणि पासवर्डने संरक्षित करता येते. तुम्ही त्याच्या लिंकचे नाव बदलले, तर जुनी चालू राहते, म्हणून कार्यक्रमपत्रिकेवर छापलेला QR कोड कालबाह्य होत नाही. एक ब्रॉडकास्ट अनेक लाइव्ह ट्रान्सक्रिप्शन वाहू शकते, म्हणून दोन मंच एक लिंक शेअर करू शकतात.
उशिरा आलेला श्रोता तो येण्यापूर्वी जे बोलले गेले ते सर्व पाहतो, आणि मग लाइव्ह सोबत राहतो. नंतर Audience दृश्य कोणी ऐकले, कोणत्या भाषेत आणि केव्हा सामील झाले ते दाखवते.
कार्यक्रमांसाठी बहुभाषिक परिषदेची चेकलिस्ट ऑडिओ, मंच आणि बजेट समाविष्ट करते, आणि चर्च, लेक्चर हॉल आणि नगरपरिषद सभागृहांसाठी लाइव्ह ट्रान्सक्रिप्शन त्याच सेटअपची साप्ताहिक आवृत्ती समाविष्ट करते.
वरील सर्व काही कोडमधून करता येते. तुमच्या स्वतःच्या अॅपमधील लाइव्ह ऑडिओसाठी API मध्ये रिअलटाइम सेशन्स आहेत: तुमचा सर्व्हर API की सह POST /v1/realtime/sessions ला एक कॉल करतो आणि अल्पायुषी streamUrl परत मिळवतो. तुमचा क्लायंट त्याकडे WebSocket उघडतो, कॅप्चर होताना कच्चा ऑडिओ पाठवतो आणि ट्रान्स्क्रिप्ट JSON फ्रेम्स म्हणून परत वाचतो.
फ्रेम्स वाचकाला दिसणारे तेच दोन टप्पे पाळतात. transcript.draft लाइव्ह शेपटाची जागा घेते, transcript.committed अंतिम ओळ जोडते, आणि भाषांतर चालू असताना जोडलेल्या भाषांतरांसह संपूर्ण वाक्ये येतात. लक्ष्य भाषा, स्पीकर लेबल्स आणि विलंब मोड सेशन चालू असताना session.update ने बदलता येतात.
रिअलटाइम सेशन काहीही साठवत नाही. शब्द जतन करायचे, दुरुस्त करायचे आणि श्रोत्यांसोबत शेअर करायचे असतील, तर तुम्ही त्याऐवजी ऑडिओ लाइव्ह ट्रान्सक्रिप्शन आणि ब्रॉडकास्टकडे प्रकाशित करता. TypeScript, Python आणि PHP साठीचे अधिकृत SDKs दोन्ही गुंडाळतात, आणि MCP सर्व्हर AI सहायकाला तेच खाते वापरू देतो.
WebSocket ट्यूटोरियल पायरी-पायरीने कार्यरत कॅप्शन दृश्य बनवते, आणि API संदर्भ मध्ये प्रत्येक फील्ड आहे. API वापराचे बिल Dashboard प्रमाणेच दराने होते.
अचूकता कोणताही ओळखकर्ता चालण्यापूर्वीच, त्याला दिलेल्या ऑडिओवरून, प्रामुख्याने ठरते. चार गोष्टी सर्वात जास्त फरक करतात.
मायक्रोफोन. वक्त्याजवळील मायक्रोफोन, किंवा स्थळाच्या मिक्सिंग डेस्कवरील फीड, खोलीचा कमी भाग घेऊन आवाज वाहतो. टेबलवरील फोन वक्त्याबरोबर प्रतिध्वनी, खुर्च्या आणि खोकलाही ऐकतो. हा सर्वात मोठा एकमेव घटक आहे, आणि खोलीसाठी फोन पुरेसा का नाही कारण स्पष्ट करते.
आवाज आणि एकमेकांवर बोलणे. पार्श्वभूमीचा आवाज शब्द गळणे आणि शब्द बनवले जाणे घडवतो, आणि एकाच वेळी बोलणारे दोन लोक शब्द आणि कोणी म्हटले ते दोन्ही गोंधळवतात. ऑडिओ ट्रान्सक्रिप्शन चुका सात सामान्य कारणे, प्रत्येक कशी दिसते आणि ती कशी दुरुस्त करायची ते सांगते.
संदर्भ स्क्रिप्ट (Reference Script). प्रसिद्ध नावे आणि संज्ञा जशा आहेत तशा ओळखल्या जातात. कंपनीची उत्पादन नावे, अंतर्गत संक्षेप किंवा पाहुण्याचे असामान्य आडनाव आधी माहीत नसते, म्हणून सुरू करण्यापूर्वी स्क्रिप्ट किंवा स्लाइड्स जोडा, आणि त्यातील नावे व संज्ञा तुम्ही जशा स्पेल केल्या तशाच लिहिल्या जातात.
स्पीकर लेबल्स. लेबल्स Off, On किंवा When Needed असू शकतात, जे दुसरा स्पीकर ऐकू आल्यावर ती चालू करते. स्पीकर डायरायझेशन विरुद्ध स्पीच रेकग्निशन स्पष्ट करते की दोन उत्तरे, काय म्हटले गेले आणि कोणी म्हटले, स्वतंत्र आहेत आणि स्वतंत्रपणे दुरुस्त होतात.
विलंब मोडही महत्त्वाचा आहे: Fast मजकूर लवकर देतो पण अधिक पुनरावृत्ती करतो, Accuracy थोडे जास्त थांबते.
एकच अचूकतेचा आकडा दिसतो त्यापेक्षा कमी सांगतो. वर्ड एरर रेट चुकीचे नाव आणि गळलेला "the" सारखेच मोजतो, म्हणूनच वर्ड एरर रेट काय मोजतो आणि काय सोडतो प्रणाली कोणत्या चुका तुम्हाला पकडू आणि दुरुस्त करू देते यावरून तिचे मूल्यमापन करण्याचा सल्ला देते.
कोणतीही लाइव्ह ट्रान्स्क्रिप्ट परिपूर्ण नसते, म्हणून यजमानाच्या स्क्रीनवर Fix टॅब आहे. तो ओळखकर्त्याला खात्री नसलेले शब्द चिन्हांकित करू शकतो, आणि कोणतीही ओळ उघडून दुरुस्त करता येते. स्पीकर पुढे बोलत असताना डेस्कवरील दुसरा माणूस त्यावर काम करू शकतो.
यजमानाने शब्द किंवा ओळ पुन्हा लिहिली, अगदी अजून बोलली जात असलेली असली तरी, प्रत्येक श्रोत्याला दुरुस्ती दिसते, प्रत्येक भाषेत. खूपच कमी खात्रीने ऐकलेली ओळ चुकीची दाखवली जाण्याऐवजी श्रोत्यांपासून "Audio unclear" म्हणून लपवली जाते; यजमानाला ती तरीही दिसते.
रेकॉर्डिंग ट्रान्स्क्रिप्ट, दुरुस्त्या आणि भाषांतरांसह जपले जाते. नंतर तुम्ही हे करू शकता:
ऑडिओ आणि ट्रान्स्क्रिप्ट्स किती काळ ठेवले जातात ते प्लॅनवर अवलंबून असते, आणि किंमत पान ते नमूद करते.
बहुतेक लाइव्ह ट्रान्सक्रिप्शन साधने डेमोमध्ये सारखी दिसतात; फरक खालील प्रश्नांत दिसतात. उजवा स्तंभ VocalStack ला आज आहे तसे वर्णन करतो.
| प्रश्न | हे का महत्त्वाचे | VocalStack |
|---|---|---|
| ते कोणत्या भाषा ऐकू शकते? | वक्त्याची भाषा ट्रान्स्क्राइब न करू शकणारे साधन, भाषांतर कितीही चांगले असले तरी, मदत करू शकत नाही. | 100 भाषा, आपोआप ओळखल्या जातात, बोलण्यातच बदलता येतात |
| मजकूर वक्त्यापेक्षा किती मागे असतो? | वाचकांना अधूनमधून चुकीच्या शब्दापेक्षा वाढणारे अंतर जास्त जाणवते. | मूळ मजकूर सेकंदाच्या अंशाने मागे, भाषांतर एक-दोन सेकंदांनी; तीन विलंब मोड |
| ते भाषांतर करते का, आणि भाषा कोण निवडतो? | एका स्क्रीनवर एकच सबटायटल भाषा इतर सर्वांना वगळते. | प्रति ट्रान्सक्रिप्शन 10 भाषांपर्यंत, प्रत्येक श्रोता स्वतःची निवडतो |
| ते भाषांतर बोलू शकते का? | काही श्रोते सोबत वाचू शकत नाहीत किंवा वाचू इच्छित नाहीत. | डीफॉल्टनुसार स्टॉक आवाज; स्पीकरच्या संमतीने त्याचा स्वतःचा क्लोन आवाज |
| श्रोत्यांना ते कसे मिळते? | अॅप्स आणि खाती दारातच लोकांना गमावतात. | एक लिंक आणि QR कोड, खाते नाही, ऐच्छिक पासवर्ड |
| चुका लाइव्ह दुरुस्त करता येतात का? | तासभर पुन्हा पुन्हा चुकीचे ऐकलेले नाव खरे नुकसान करते. | प्रत्येक श्रोत्याला पाठवल्या जाणाऱ्या लाइव्ह दुरुस्त्या |
| ऑडिओ कुठून येऊ शकतो? | साधनाला बसवण्यासाठी तुमचा सेटअप बदलायला लागू नये. | मायक्रोफोन, ब्राउझर एक्स्टेंशन्स, डेस्कटॉप अॅप, OBS, RTMP, स्ट्रीम लिंक |
| API आहे का? | तुम्हाला कॅप्शन्स तुमच्या स्वतःच्या उत्पादनात हवी असू शकतात. | REST आणि WebSocket API, SDKs, MCP सर्व्हर, Dashboard प्रमाणेच दर |
| किंमत कशी आहे? | प्रति श्रोता किंवा प्रति सीट किंमत श्रोत्यांसोबत वाढते. | ऑडिओच्या प्रति सेकंद; श्रोते आणि भाषा मोफत |
VocalStack वर तुम्ही ट्रान्स्क्राइब केलेल्या ऑडिओच्या प्रति सेकंदासाठी पैसे देता. लिहिण्याच्या वेळी लाइव्ह ट्रान्सक्रिप्शनचा खर्च $0.60 प्रति तास आणि फाइल्सचा $0.20 प्रति तास आहे, प्रत्येक प्लॅनवर, Dashboard मध्ये आणि API द्वारेही. भाषांतर, आवाज, सारांश, ब्रॉडकास्टिंग आणि श्रोते कधीही बिलात भर घालत नाहीत, म्हणून पाच भाषांमध्ये 200 लोकांनी वाचलेले एक तासाचे भाषण कोणीही न वाचलेल्या भाषणाइतकेच $0.60 मध्ये पडते.
प्लॅन्स काही बाबतींत वेगळे आहेत:
तुम्ही वाचत असतानाच कोणालाही गरज नसेल, तर रेकॉर्डिंग नंतर फाइल दराने अपलोड करा. प्रत्येक प्लॅनचे सध्याचे दर, जतन कालावधी आणि मर्यादा किंमत पानावर आहेत.
नव्या VocalStack खात्यात $5 साइनअप क्रेडिट येते आणि कार्ड लागत नाही. $0.60 प्रति तासाने ते भाषांतर आणि ब्रॉडकास्टिंगसह सुमारे आठ तासांचे लाइव्ह ट्रान्सक्रिप्शन होते. त्यानंतर तुम्ही प्रति सेकंद पैसे देता. श्रोते नेहमी मोफत असतात.
हो. माणूस बोलत असतानाच लाइव्ह ट्रान्सक्रिप्शनचे एकाच वेळी 10 भाषांपर्यंत भाषांतर करता येते. भाषांतर मूळ मजकुरानंतर एक-दोन सेकंदांनी दिसते, आणि प्रत्येक श्रोता स्वतःची भाषा निवडतो.
हे प्रामुख्याने ऑडिओवर अवलंबून असते. जवळचा मायक्रोफोन किंवा डेस्क फीड, कमी पार्श्वभूमी आवाज, एका वेळी एकच बोलणारा आणि नावांसह reference script सर्वोत्तम निकाल देतात. लाइव्ह दुरुस्त्यांमुळे भाषण चालू असतानाच यजमान अजूनही चुकीचे असलेले दुरुस्त करू शकतो.
मूळ भाषेतील मजकूर वक्त्याच्या सेकंदाच्या अंशाने मागे राहतो, आणि भाषांतरे एक-दोन सेकंदांनी मागून येतात. सार्वजनिक स्ट्रीम ऑडिओ VocalStack पर्यंत पोहोचण्यापूर्वी स्वतःचा विलंब जोडतो.
हो, Chrome किंवा Edge एक्स्टेंशन, OBS Studio प्लगइन किंवा ब्राउझरमधील Dashboard द्वारे. डेस्कटॉप अॅप आज macOS वर आहे, Windows लवकरच येत आहे.
नाही. श्रोते ब्रॉडकास्ट लिंक उघडतात किंवा तिचा QR कोड ब्राउझरमध्ये स्कॅन करतात, भाषा निवडतात आणि वाचतात. काही इन्स्टॉल करायचे नाही.
Dashboard उघडा, तुमच्या मायक्रोफोनवरून लाइव्ह ट्रान्सक्रिप्शन सुरू करा आणि त्याची ब्रॉडकास्ट लिंक फोनवर उघडा. साइनअप क्रेडिट तुमच्या पहिल्या तासांना पुरते, आणि तुम्ही मसुदे स्थिरावताना आणि भाषांतर मागून येताना स्वतः पाहू शकता.