लाइव्ह भाषांतराची अचूकता बहुतांश वेळा कोणतेही मॉडेल चालण्यापूर्वीच ठरते, ते म्हणजे मायक्रोफोन कुठे आहे यावरून. मिक्सिंग डेस्कवरून ऑडिओ घ्या, तो एकदाच ट्रान्सक्रिप्ट करा, आणि एखादी चूक सर्वांसाठी एका ओळीत दुरुस्त करता येईल अशी बनते.
भाषांतर अ‍ॅप्स ही फोनमध्ये अंगभूत असलेली खरोखरच मोठी कामगिरी आहे. ती बहुतेकदा इतका छोटा स्पीच मॉडेल चालवतात की तो फोनच्या मेमरीत आणि बॅटरीवर बसेल (काही अ‍ॅप्स कनेक्शन असल्यास ऑडिओ सर्व्हरकडे पाठवतात), आणि छोटी, स्पष्ट, रोजच्या वापरातली वाक्ये ते चांगल्या प्रकारे हाताळतात: रस्ता विचारणे, मेनू वाचणे, काउंटरवरचे छोटे संभाषण.
पण एकाच वक्त्याचे ऐकणाऱ्या खोलीतली परिस्थिती वेगळी आहे. खऱ्या बोलण्यात जे चुकते ते नेमके त्याच गोष्टी असतात ज्यात छोटे मॉडेल सर्वात कमकुवत असते: कमी वापरातले शब्द आणि नावे, सारखे वाटणारे शब्द ("their" आणि "there", "sail" आणि "sale"), तांत्रिक संज्ञा, उच्चार, एकमेकांवर बोलणारी माणसे आणि पार्श्वभूमीचा आवाज. सेलिंग क्लबमध्ये, "sale" ऐकणाऱ्या मॉडेलने वाजवी अंदाज केला आहे, पण तो आत्मविश्वासाने केलेली चूक आहे.
छोटे मॉडेल मोठ्या मॉडेलपेक्षा जास्त अंदाज करण्याची दोन कारणे आहेत. फोनमध्ये बसावे म्हणून त्याला संकुचित केलेले असते, त्यामुळे त्याला कमी शब्द आणि ते म्हणण्याचे कमी मार्ग माहीत असतात; ज्या आडनावाशी त्याची ओळख नाही ते ते फक्त आवाजांवरून जुळवून घेते. आणि लाइव्ह ओळख वाक्याचा पुढचा भाग येण्याआधीच एक शब्द निवडायला बांधील असते, म्हणून "sail" की "sale" ठरवणारे पुढचे शब्द किंवा "भाषण कशावर आहे" सांगणारी स्क्रिप्ट मॉडेल वापरू शकत नाही. स्पीच रेकग्निशनमध्ये संदर्भ म्हणजे नेमके हेच दोन गोष्टी: आजूबाजूचे शब्द आणि आधीच माहीत असलेली माहिती.
मॉडेलला खात्री नसते तेव्हा ते अंदाज करते. मग भाषांतर त्या अंदाजावर बांधले जाते, आणि ते वाचणाऱ्या व्यक्तीला ते कळत नाही. खोलीतल्या कोणालाही दिसत नाही की एखादी ओळ चुकीची होती, दुरुस्त करणे तर दूरच. आणि खोली म्हणजे एक श्रोता नाही, तर पन्नास श्रोते आहेत.
फोन खोलीतल्या वक्त्याचे नाही, तर खोलीचे ऐकतो. अंतर हे कारण आहे: लॅपल किंवा डेस्क मायक्रोफोन तोंडापासून काही सेंटीमीटरवर असतो, तर बाराव्या रांगेतला फोन दहा मीटर किंवा त्याहून दूर असतो, आणि त्याच्यापर्यंत पोहोचणारा बहुतेक आवाज आधी भिंती, छत आणि खुर्च्यांच्या पाठींवरून परावर्तित होऊन आलेला असतो. परावर्तित आवाज उशिरा आणि पसरलेला पोहोचतो. त्यात भर म्हणून फोन दोन रांगा मागे खोकणारी व्यक्ती, शेजाऱ्याची कुजबुज आणि लाऊडस्पीकर सभागृहभर आवाज पोहोचवताना आवाजाचे काय करतात तेही उचलतो. प्रत्येक जागेवर थोडे वेगळे रेकॉर्डिंग मिळते, म्हणून प्रत्येक जागेवर थोडे वेगळे ट्रान्सक्रिप्ट मिळते.
फोन एका व्यक्तीसाठीच भाषांतर करतो. पन्नास उपस्थित लोकांनी पन्नास फोन धरले, तर एकाच भाषणाचे पन्नास स्वतंत्र ट्रान्सक्रिप्ट्स तयार होतात, प्रत्येकात वेगळ्या चुका. नंतर तुलना केली तर दोन लोक सांगितलेल्या गोष्टीवर एकमत होणार नाहीत. वक्ता मात्र वर उचललेल्या फोनच्या भिंतीकडे बोलत असतो, आणि ती वाचणे कठीण असते.
उपस्थितांपैकी काहींसाठी ही केवळ गैरसोय नसते; भाषण त्यांना समजेल की नाही हे त्यावरून ठरते. ऐकण्यात अडचण असलेला उपस्थित किंवा तिसऱ्या भाषेत समजून घेणारी व्यक्ती यांना पन्नास सर्वोत्तम प्रयत्नांऐवजी एक बरोबर, सामायिक मजकूर हवा असतो. म्हणजे वक्त्याचे एकदाच ट्रान्सक्रिप्शन करून सर्वांना एकच परिणाम देणे. पण एकदाच ट्रान्सक्रिप्शन करणे फक्त चांगले केले तरच फायदेशीर ठरते, आणि ते ऑडिओ कुठून येतो यापासून सुरू होते.
ट्रान्सक्रिप्ट त्या ऑडिओइतकाच चांगला असतो ज्यावरून तो बनवला जातो. त्यामुळे पहिला निर्णय कोणते मॉडेल वापरायचे हा नसून कोणता सिग्नल द्यायचा हा आहे. दुसरा निर्णय सुरू होण्यापूर्वी मॉडेलला काय सांगायचे हा आहे.
लाइव्ह ट्रान्सक्रिप्शन स्वच्छ सिग्नल आधीच जिथे आहे तिथून ऑडिओ घेते:
VocalStack URL वरील स्ट्रीम स्वतः खेचते, त्यामुळे तुमच्या बाजूला काहीही चालवावे लागत नाही. RTMP फीडमध्ये उलट होते: तुमचा एन्कोडर ती फीड पुढे ढकलतो. वक्त्याची भाषा आपोआप ओळखली जाते आणि ते केव्हाही भाषा बदलू शकतात. भाषा तुम्हाला माहीत असेल आणि रेकॉर्डिंग गोंगाटाचे किंवा जोरदार उच्चारांचे असेल, तर ती नाव दिल्याने अचूकता सुधारते.
स्वच्छ ऑडिओ खोलीमुळे होणाऱ्या चुका काढून टाकतो. पण शब्दसंग्रहामुळे होणाऱ्या चुकांसाठी त्याचा उपयोग नाही, आणि त्यांना वेगळ्या प्रकारच्या मदतीची गरज असते.
फोनला कोण बोलत आहे किंवा भाषण कशावर आहे याची काहीच कल्पना नसते, त्यामुळे उत्पादनाचे नाव किंवा आडनाव हा फक्त आणखी एक आवाज असतो ज्याचा अंदाज बांधावा लागतो. प्रसारणाला मात्र आधीच सांगता येते की काय अपेक्षित आहे.
सुरू करण्यापूर्वी तुम्ही स्क्रिप्ट किंवा स्लाइड्स जोडल्यास, त्यातील नावे आणि संज्ञा इंजिनने चुकीने ऐकलेल्या गोष्टींपेक्षा वरचढ ठरतात. रेकॉर्डिंग चालू असताना Script टॅब वक्त्याच्या मागोमाग टेलिप्रॉम्प्टरसारखा चालतो. परिषदा आणि व्याख्याने भरणाऱ्या भाषणासाठी हा सर्वात मोठा अचूकतेचा फायदा आहे: त्यात व्यक्तिनामे आणि शब्दसंग्रह भरपूर असतो, जो कोणत्याही सामान्य मॉडेलने पुरेसा वेळा ऐकलेला नसतो.
चांगला ऑडिओ आणि ग्लॉसरी बहुतेक चुका काढून टाकतात. प्रश्न असा आहे की उरलेल्या चुकांचे काय होते.
चांगला ऑडिओ आणि स्क्रिप्ट असतानाही काही ओळी चुकीच्या येतीलच. फरक पुढे काय होते यात आहे.
फोनवर काहीच होत नाही. चुकीची ओळ स्क्रोल होऊन निघून जाते, आणि त्यावर बनलेले भाषांतरही तिच्याबरोबर जाते.
ब्रॉडकास्टमध्ये, दाखवण्यासाठी खूप अस्पष्ट असलेली ओळ श्रोत्यांपासून लपवली जाते आणि ती "ऑडिओ अस्पष्ट" अशी दाखवली जाते, तथ्य म्हणून पुढे रेटली जात नाही.
त्यानंतर होस्टकडे Fix टॅब असतो: इंजिनला ज्या शब्दांबद्दल खात्री नव्हती ते रंगीत आणि अधोरेखित केले जाऊ शकतात, एका क्लिकने एखादी ओळ तपासणीसाठी उघडते, आणि लाइव्ह ट्रान्सक्रिप्शन सुरू असतानाच कोणताही शब्द किंवा ओळ पुन्हा लिहिता येते. प्रत्येक श्रोता दुरुस्ती आपल्या स्वतःच्या भाषेत पाहतो. प्रत्येक दुरुस्ती चिन्हांकित केलेली असते आणि ती पूर्ववत करता येते.
सर्व्हर कधीच चुका करत नाही असे नाही. मुद्दा हा आहे की चूक दिसते, खोलीतील कोणीतरी तिची जबाबदारी घेते आणि ती सर्वांसाठी एकदाच दुरुस्त होते.
दुरुस्त्या श्रोते जे वाचतात तेच दुरुस्त करतात. ज्यांना वाचण्याऐवजी भाषण ऐकायचे आहे त्यांनाही तोच दुरुस्त केलेला मजकूर, बोललेल्या स्वरूपात मिळतो.
जो श्रोता वाचण्याऐवजी ऐकणे पसंत करतो, तो प्रत्येक भाषांतरित ओळ मोठ्याने वाचून ऐकू शकतो. डिफॉल्टनुसार प्रत्येक वक्त्याला जुळत्या लिंगाचा वेगळा तयार आवाज मिळतो, त्यामुळे पॅनेल अजूनही पॅनेलसारखा वाटतो. तुम्ही प्रत्येक वक्त्याला आवाज नेमून देऊ शकता, किंवा एखाद्याला म्यूट करू शकता.
वक्त्याची परवानगी असल्यास, तुम्ही पुढे जाऊन त्यांच्या तीस सेकंदांच्या भाषणावरून त्यांचा आवाज क्लोन करू शकता, एकतर क्लिप अपलोड करून किंवा रेकॉर्डिंगमधील वक्त्याकडून थेट घेऊन; काही मिनिटांचा आवाज अधिक चांगला परिणाम देतो. भाषांतर नंतर प्रत्येक भाषेत वक्त्याच्याच आवाजात वाचले जाते. ज्या वक्त्याचा सेव्ह केलेला आवाज आहे, त्याला नंतरच्या रेकॉर्डिंगमध्येही ओळखले जाऊ शकते, जरी चुकीच्या व्यक्तीचे नाव देण्यापेक्षा सिस्टम वक्त्याला नाव न देता सोडणे पसंत करते.
दोन नियम लागू होतात, आणि ते जाणूनबुजून केलेले आहेत. क्लोन केलेला आवाज हा बायोमेट्रिक डेटा आहे: तो फक्त वक्त्याच्या स्पष्ट संमतीने बनवला जातो आणि कधीही हटवता येतो. आणि आवाज फक्त ट्रान्सक्रिप्ट किंवा त्याचे भाषांतर बोलू शकतो; त्याच्या मालकाने कधीही न म्हटलेले वाक्य त्याच्याकडून बोलवता येत नाही.
आतापर्यंतचे सर्व काही वक्ता बोलत असतानाच घडते. शेवटचा फरक ते थांबल्यावर दिसतो.
पन्नास फोनवरील ट्रान्सक्रिप्ट्स अ‍ॅप्स बंद होताच नाहीसे होतात. ब्रॉडकास्ट तुमच्या लायब्ररीत रेकॉर्डिंग ठेवतो: ऑडिओ, आणि प्रत्येक दुरुस्ती व भाषांतरासह ट्रान्सक्रिप्ट. तिथे ते ओळीनुसार पुन्हा प्ले करता येते, कोणत्याही भाषेत शोधता येते आणि एक्सपोर्ट करता येते; लायब्ररी काय करते हे एक लिंक, प्रत्येक भाषेत या लेखात आहे. श्रोते किती का असेनात, त्यांना काहीही खर्च येत नाही. तुम्ही प्रसारित ऑडिओसाठी पैसे देता: लाइव्हसाठी $0.60 प्रति तास, प्रति ट्रान्सक्रिप्शनला 5 मिनिटांची किमान मर्यादा, आणि दरपत्रक किंमत पृष्ठावर आहे.
फोनवरच्या अनेक हातांसाठी हॉलवेमधील संभाषणात अजूनही चांगला बॅकअप आहे. ज्या खोलीला एका वक्त्याला एकत्र समजून घ्यायचे आहे, तिथे वक्त्याचे एकदाच स्रोतापासून ट्रान्सक्रिप्शन करावे, आणि चुकीचे झाल्यास ते दुरुस्त करू शकेल अशी कोणीतरी व्यक्ती असावी. ते कसे दिसते ते होम पेजवरील परस्परसंवादी डेमो मध्ये पाहू शकता.
