Transkripsi dan terjemahan masa nyata diterangkan: cara pertuturan ke teks langsung berfungsi, berapa lewatnya, apa yang menjejaskan ketepatan dan kosnya.
Transkripsi masa nyata menukar pertuturan menjadi teks semasa orang itu masih bercakap. Perkataan muncul di skrin sebentar selepas dituturkan, menetap menjadi baris muktamad dan boleh dibaca oleh sesiapa yang mengikut. Tambah terjemahan masa nyata dan setiap pembaca boleh mengikut pertuturan yang sama dalam bahasa sendiri, sebagai teks atau dibacakan dengan kuat.
Panduan ini meliputi transkripsi dan terjemahan masa nyata dari kedua-dua belah pihak: apa yang dilihat pendengar, dari mana audio boleh datang, apa yang menentukan ketepatan, apa yang diperoleh pembangun daripada API dan berapa kosnya.
Transkripsi masa nyata, juga dipanggil transkripsi langsung atau pertuturan ke teks langsung, ialah pengecaman pertuturan yang berjalan semasa audio masih tiba. Fail yang dirakam boleh ditranskripsikan dengan seluruh rakaman di tangan. Transkripsi langsung perlu menetapkan perkataan dengan hanya beberapa saat terakhir sebagai panduan, dan mengikut rentak penutur selama mana mereka bercakap.
Sari kata langsung ialah perkara yang sama dipaparkan sebagai baris pendek di atas video atau pada skrin.
Pada VocalStack, transkripsi langsung boleh mendengar dalam 100 bahasa. Ia mengesan bahasa yang dituturkan sendiri dan mengikut penutur jika mereka bertukar, yang diterangkan oleh cara pengesanan bahasa automatik berfungsi, bersama bila perlu menamakan bahasa terlebih dahulu.
Teks tiba dalam dua peringkat. Perkataan terbaharu muncul dahulu sebagai draf, yang masih boleh berubah apabila lebih banyak audio masuk. Sebentar kemudian draf menetap menjadi baris muktamad yang tidak berubah lagi.
Draf wujud kerana pengecam memutuskan sesuatu perkataan sebahagiannya berdasarkan apa yang mengikutinya. "Ice cream" dan "I scream" kedengaran serupa sehingga perkataan seterusnya tiba. Memaparkan andaian lebih awal itulah yang membuat transkrip terasa langsung.
Berapa jauh teks ketinggalan di belakang penutur bergantung pada peringkat:
Dua kelewatan terletak di luar rantai itu. Apabila sumbernya strim awam dan bukan mikrofon, strim itu sendiri sudah ketinggalan daripada tepi langsungnya: satu hingga tiga saat untuk strim radio internet biasa, dan beberapa saat hingga setengah minit untuk HLS. Dan pada Bayar Ikut Guna, transkripsi langsung boleh mengambil masa sehingga 15 saat untuk bermula. Pecahan penuh, termasuk mod kelewatan Auto, Fast dan Accuracy, ada dalam kelewatan terjemahan langsung, diterangkan.
Terjemahan berjalan di atas transkrip. Transkripsi langsung boleh diterjemahkan ke dalam sehingga 10 bahasa serentak, dipilih daripada 100. Setiap pendengar memilih satu daripadanya pada peranti sendiri dan boleh menukarnya pada bila-bila masa; transkrip setakat ini dipaparkan semula dalam bahasa baharu.
Setiap bahasa diterjemahkan daripada transkrip yang sama, jadi setiap pendengar mendapat perkataan yang sama, dan pembetulan sampai kepada mereka semua.
Pendengar yang lebih suka mendengar daripada membaca boleh meminta setiap baris terjemahan dibacakan dengan kuat. Secara lalai setiap penutur mendapat suara sedia ada yang berbeza sepadan dengan jantinanya, jadi panel masih kedengaran seperti beberapa orang. Dengan persetujuan penutur, hos boleh mengklon suara penutur itu daripada kira-kira 30 saat mereka bercakap bersendirian, dan terjemahan kemudian dibacakan dalam suara mereka sendiri.
Peraturan untuk suara sengaja sempit. Suara hanya membacakan apa yang dikatakan oleh orang yang sama, diterjemahkan ke dalam bahasa yang dipilih pendengar. Ia tidak pernah membacakan teks yang ditaip oleh seseorang, dan tidak pernah membacakan kata-kata seorang penutur dalam suara penutur lain.
Bagaimana ini berfungsi untuk seluruh bilik, daripada persediaan hos hingga pendengar yang tiba lewat, ada dalam satu pautan, setiap bahasa.
Transkripsi langsung memerlukan sumber audio. Ini yang diterima VocalStack hari ini:
Sari kata dalam pemain YouTube sendiri, melalui butang CC, akan datang tidak lama lagi. Sehingga itu, penonton strim YouTube mengikuti sari kata pada pautan siaran.
Jika anda memerlukan transkripsi langsung pada Windows hari ini, sambungan Chrome atau Edge, pemalam OBS dan Papan Pemuka dalam pelayar semuanya berfungsi di sana.
Siaran ialah cara orang lain mengikuti transkripsi langsung. Ia satu pautan dan satu kod QR. Pendengar membukanya dalam pelayar, memilih bahasa dan membaca bersama. Mereka tidak memerlukan akaun, tidak memasang apa-apa dan tidak menambah kos: bil tidak berubah dengan bilangan pendengar atau bahasa.
Siaran adalah awam secara lalai dan boleh dilindungi dengan kata laluan. Jika anda menamakan semula pautannya, yang lama terus berfungsi, jadi kod QR yang dicetak pada atur cara tidak menjadi lapuk. Satu siaran boleh membawa beberapa transkripsi langsung, jadi dua pentas boleh berkongsi satu pautan.
Pendengar yang tiba lewat melihat semua yang dikatakan sebelum mereka masuk, kemudian mengikuti secara langsung. Selepas itu paparan Audience menunjukkan siapa yang mendengar, dalam bahasa apa dan bila mereka menyertai.
Untuk acara, senarai semak persidangan pelbagai bahasa meliputi audio, pentas dan belanjawan, dan transkripsi langsung untuk gereja, dewan kuliah dan dewan persidangan majlis meliputi versi mingguan bagi persediaan yang sama.
Semua yang di atas boleh dilakukan daripada kod. Untuk audio langsung dalam aplikasi anda sendiri, API mempunyai sesi realtime: pelayan anda membuat satu panggilan ke POST /v1/realtime/sessions dengan kunci API dan mendapat streamUrl jangka pendek. Klien anda membuka WebSocket kepadanya, menghantar audio mentah semasa ia dirakam dan membaca transkrip kembali sebagai bingkai JSON.
Bingkai mengikuti dua peringkat yang sama yang dilihat pembaca. transcript.draft menggantikan ekor langsung, transcript.committed menambah baris muktamad, dan dengan terjemahan dihidupkan, ayat penuh tiba dengan terjemahannya dilampirkan. Bahasa sasaran, label penutur dan mod kelewatan boleh diubah di tengah sesi dengan session.update.
Sesi realtime tidak menyimpan apa-apa. Apabila anda mahu perkataan disimpan, dibetulkan dan dikongsi dengan hadirin, anda menerbitkan audio ke transkripsi langsung dan siaran sebagai ganti. SDK rasmi untuk TypeScript, Python dan PHP membungkus kedua-duanya, dan pelayan MCP membolehkan pembantu AI menggunakan akaun yang sama.
Tutorial WebSocket membina paparan sari kata yang berfungsi langkah demi langkah, dan rujukan API mempunyai setiap medan. Penggunaan API dibilkan pada kadar yang sama seperti Papan Pemuka.
Ketepatan ditentukan kebanyakannya sebelum mana-mana pengecam berjalan, oleh audio yang diberikan kepadanya. Empat perkara memberi perbezaan paling besar.
Mikrofon. Mikrofon yang dekat dengan penutur, atau suapan daripada meja campuran tempat acara, membawa suara dengan sedikit bunyi bilik di dalamnya. Telefon di atas meja mendengar penutur ditambah gema, kerusi dan batuk. Ini faktor tunggal terbesar, dan mengapa telefon tidak cukup untuk sebuah bilik menerangkan sebabnya.
Bunyi bising dan pertindihan. Bunyi latar menyebabkan perkataan tertinggal dan perkataan yang diada-adakan, dan dua orang bercakap serentak mengelirukan kedua-dua perkataan dan siapa yang mengatakannya. Ralat transkripsi audio menyenaraikan tujuh punca biasa, rupa setiap satu dan cara membetulkannya.
Skrip rujukan. Nama dan istilah yang terkenal dikenali seadanya. Nama produk syarikat, singkatan dalaman atau nama keluarga tetamu yang luar biasa tidak dapat diketahui terlebih dahulu, jadi tambahkan skrip atau slaid sebelum anda bermula, dan nama serta istilah di dalamnya ditulis tepat seperti yang anda eja.
Label penutur. Label boleh Off, On, atau When Needed, yang menghidupkannya sebaik penutur kedua didengar. Diarisasi penutur berbanding pengecaman pertuturan menerangkan bagaimana kedua-dua jawapan, apa yang dikatakan dan siapa yang mengatakannya, adalah berasingan dan dibetulkan secara berasingan.
Mod kelewatan juga penting: Fast mengeluarkan teks lebih awal tetapi menyemak semula lebih banyak, Accuracy menunggu sedikit lebih lama.
Satu angka ketepatan memberitahu kurang daripada yang kelihatan. Kadar ralat perkataan mengira nama yang salah sama seperti "the" yang tertinggal, itulah sebabnya apa yang diukur oleh kadar ralat perkataan, dan apa yang terlepas berhujah untuk menilai sesuatu sistem berdasarkan ralat mana yang membolehkan anda menangkap dan membetulkannya.
Tiada transkrip langsung yang sempurna, jadi skrin hos mempunyai tab Fix. Ia boleh menandakan perkataan yang pengecam kurang pasti, dan mana-mana baris boleh dibuka dan dibetulkan. Orang kedua di meja boleh menyelesaikannya satu demi satu sementara penutur meneruskan.
Apabila hos menulis semula perkataan atau baris, walaupun yang masih dituturkan, setiap pendengar melihat pembetulan itu, dalam setiap bahasa. Baris yang didengar dengan keyakinan terlalu rendah disembunyikan daripada pendengar sebagai "Audio unclear" dan bukan dipaparkan dengan salah; hos masih melihatnya.
Rakaman disimpan dengan transkrip, pembetulan dan terjemahannya. Selepas itu anda boleh:
Berapa lama audio dan transkrip disimpan bergantung pada pelan, dan halaman harga menyenaraikannya.
Kebanyakan alat transkripsi langsung kelihatan serupa dalam demo; perbezaannya terserlah dalam soalan di bawah. Lajur kanan menerangkan VocalStack seperti hari ini.
| Soalan | Mengapa penting | VocalStack |
|---|---|---|
| Bahasa mana yang boleh didengarnya? | Alat yang tidak boleh mentranskripsikan bahasa penutur tidak dapat membantu, walau sebaik mana terjemahannya. | 100 bahasa, dikesan secara automatik, dengan pertukaran di tengah ucapan |
| Berapa jauh teks ketinggalan di belakang penutur? | Pembaca lebih menyedari jurang yang semakin besar berbanding perkataan salah sesekali. | Teks asal sebahagian kecil saat di belakang, terjemahan satu atau dua saat kemudian; tiga mod kelewatan |
| Adakah ia menterjemah, dan siapa yang memilih bahasa? | Satu bahasa sari kata pada satu skrin mengecualikan semua orang lain. | Sehingga 10 bahasa bagi setiap transkripsi, setiap pendengar memilih bahasanya |
| Bolehkah ia menuturkan terjemahan? | Sesetengah pendengar tidak boleh membaca bersama, atau lebih suka tidak berbuat demikian. | Suara sedia ada secara lalai; suara klon penutur sendiri dengan persetujuan mereka |
| Bagaimana hadirin mendapatkannya? | Aplikasi dan akaun menyebabkan orang berpatah balik di pintu. | Satu pautan dan kod QR, tiada akaun, kata laluan pilihan |
| Bolehkah anda membetulkan kesilapan secara langsung? | Nama yang tersalah dengar diulang selama sejam menyebabkan kerosakan sebenar. | Pembetulan langsung dihantar kepada setiap pendengar |
| Dari mana audio boleh datang? | Persediaan anda tidak patut berubah untuk menyesuaikan diri dengan alat. | Mikrofon, sambungan pelayar, aplikasi desktop, OBS, RTMP, pautan strim |
| Adakah terdapat API? | Anda mungkin mahu sari kata di dalam produk anda sendiri. | API REST dan WebSocket, SDK, pelayan MCP, kadar sama seperti Papan Pemuka |
| Bagaimana harganya ditetapkan? | Harga bagi setiap pendengar atau tempat duduk meningkat dengan hadirin anda. | Mengikut saat audio; pendengar dan bahasa percuma |
Pada VocalStack anda membayar mengikut saat audio yang ditranskripsikan. Pada masa penulisan, transkripsi langsung berharga $0.60 sejam dan fail berharga $0.20 sejam, pada setiap pelan, dalam Papan Pemuka dan melalui API sama sahaja. Terjemahan, suara, ringkasan, siaran dan pendengar tidak pernah menambah bil, jadi ucapan sejam yang dibaca oleh 200 orang dalam lima bahasa berharga $0.60 yang sama seperti yang tiada sesiapa baca.
Pelan berbeza dalam beberapa perkara:
Jika tiada sesiapa perlu membaca bersama semasa ia berlaku, muat naik rakaman selepas itu pada kadar fail. Harga semasa, tempoh simpanan dan had bagi setiap pelan ada di halaman harga.
Akaun VocalStack baharu datang dengan kredit pendaftaran $5 dan tidak memerlukan kad. Pada $0.60 sejam itu kira-kira lapan jam transkripsi langsung, dengan terjemahan dan siaran termasuk. Selepas itu anda membayar mengikut saat. Pendengar sentiasa percuma.
Ya. Transkripsi langsung boleh diterjemahkan ke dalam sehingga 10 bahasa serentak semasa orang itu bercakap. Terjemahan muncul satu atau dua saat selepas teks asal, dan setiap pendengar memilih bahasa sendiri.
Ia bergantung terutamanya pada audio. Mikrofon yang dekat atau suapan meja, sedikit bunyi latar, seorang bercakap pada satu masa dan skrip rujukan dengan nama di dalamnya memberikan hasil terbaik. Pembetulan langsung membolehkan hos membetulkan apa yang masih salah semasa ucapan berlangsung.
Teks bahasa asal ketinggalan di belakang penutur sebahagian kecil saat, dan terjemahan menyusul satu atau dua saat kemudian. Strim awam menambah kelewatannya sendiri sebelum audio sampai ke VocalStack.
Ya, melalui sambungan Chrome atau Edge, pemalam OBS Studio, atau Papan Pemuka dalam pelayar. Aplikasi desktop ada pada macOS hari ini, dengan Windows akan datang tidak lama lagi.
Tidak. Pendengar membuka pautan siaran atau mengimbas kod QR-nya dalam pelayar, memilih bahasa dan membaca. Tiada apa-apa untuk dipasang.
Buka Papan Pemuka, mulakan transkripsi langsung daripada mikrofon anda dan buka pautan siarannya pada telefon anda. Kredit pendaftaran meliputi beberapa jam pertama anda, dan anda boleh melihat sendiri draf menetap dan terjemahan menyusul.