Ketepatan terjemahan langsung kebanyakannya ditentukan sebelum mana-mana model berjalan, oleh lokasi mikrofon. Ambil audio dari meja pengadun, bukan dari kerusi di barisan dua belas, transkripsikan sekali, dan kesilapan menjadi satu baris yang boleh dibetulkan untuk semua orang.
Aplikasi terjemahan yang terbina dalam telefon ialah satu pencapaian yang hebat. Ia sering menjalankan model pertuturan yang cukup kecil untuk muat pada peranti dan bateri itu (sesetengahnya menghantar audio kepada pelayan apabila ada sambungan), dan untuk ayat yang pendek, jelas dan harian, ia melakukan tugasnya: bertanya arah, membaca menu, perbualan di kaunter.
Sebuah bilik yang penuh dengan orang yang mendengar seorang penceramah ialah masalah yang berbeza. Perkara yang tersilap dalam pertuturan sebenar ialah tepat-tepat perkara yang paling teruk dikendalikan oleh model kecil: perkataan jarang dan nama, perkataan yang berbunyi serupa ("their" dan "there", "sail" dan "sale"), istilah teknikal, loghat, orang yang bercakap serentak, dan bunyi latar. Di kelab pelayaran, model yang mendengar "sale" telah membuat tekaan yang munasabah dan kesilapan yang yakin.
Dua perkara menjadikan model kecil lebih banyak meneka berbanding model besar. Ia telah dimampatkan supaya muat dalam telefon, jadi ia mengenali lebih sedikit perkataan dan lebih sedikit cara menyebutnya; ia menganggarkan nama keluarga yang belum pernah ditemuinya daripada bunyi semata-mata. Dan pengecaman langsung perlu memutuskan sesuatu perkataan sebelum baki ayat tiba, jadi model tidak dapat menggunakan apa yang akan menyelesaikan "sail" berbanding "sale": perkataan yang datang selepasnya, atau skrip yang memberitahu tentang apa ucapan itu. Dalam pengecaman pertuturan, konteks bermaksud betul-betul dua perkara itu: perkataan di sekelilingnya, dan apa yang diketahui terlebih dahulu.
Apabila model tidak pasti, ia meneka. Terjemahan kemudian dibina atas tekaan itu, dan orang yang membacanya tidak tahu. Tiada seorang pun dalam bilik itu dapat melihat bahawa satu baris salah, apatah lagi membetulkannya. Dan sebuah bilik bukan satu pendengar, tetapi lima puluh.
Telefon mendengar bilik, bukan penceramah. Jarak ialah puncanya: mikrofon lapel atau meja terletak beberapa sentimeter dari mulut, manakala telefon di barisan dua belas berada sepuluh meter atau lebih jauh, dan kebanyakan bunyi yang sampai kepadanya telah memantul dari dinding, siling dan belakang kerusi dahulu. Bunyi pantulan tiba lewat dan kabur. Selain itu, telefon menangkap orang yang batuk dua barisan ke belakang, bisikan jiran, dan apa sahaja yang dilakukan pembesar suara kepada suara itu dalam perjalanannya merentasi dewan. Setiap tempat duduk mendapat rakaman yang sedikit berbeza, jadi setiap tempat duduk mendapat transkrip yang sedikit berbeza.
Telefon juga hanya menterjemah untuk seorang. Lima puluh hadirin yang mengangkat lima puluh telefon menghasilkan lima puluh transkrip bebas bagi ucapan yang sama, dengan lima puluh set kesilapan yang berbeza. Dua orang yang membandingkan nota selepas itu tidak akan bersetuju tentang apa yang dikatakan. Penceramah pula sedang bercakap kepada dinding telefon yang diangkat, iaitu khalayak yang sukar dibaca.
Bagi sesetengah orang dalam bilik, ini lebih daripada sekadar gangguan; ia menentukan sama ada mereka dapat mengikuti ucapan itu langsung. Seorang hadirin yang mengalami masalah pendengaran, atau seseorang yang mengikuti dalam bahasa ketiga, memerlukan satu teks kongsi yang betul, bukan lima puluh usaha terbaik. Itu bermakna mentranskripsikan penceramah sekali dan memberikan semua orang hasil yang sama. Transkripsi sekali hanya berbaloi jika ia dilakukan dengan baik, dan itu bermula dengan tempat audio itu datang.
Transkrip hanya sebaik audio yang menghasilkannya. Jadi keputusan pertama bukanlah model mana yang hendak digunakan, tetapi isyarat mana yang hendak disuapkan kepadanya. Yang kedua ialah apa yang hendak diberitahu kepada model sebelum ia bermula.
Transkripsi langsung mengambil audionya dari mana sahaja isyarat yang bersih sudah sedia ada:
VocalStack menarik strim URL sendiri, jadi tiada apa yang perlu dijalankan di pihak anda. Suapan RTMP berfungsi sebaliknya: pengekod andalah yang menolaknya. Bahasa penceramah dikesan secara automatik, dan mereka boleh bertukar bahasa pada bila-bila masa. Jika anda tahu bahasanya dan rakamannya bising atau loghatnya kuat, menamakannya akan meningkatkan ketepatan.
Audio yang bersih menghapuskan kesilapan yang disebabkan oleh bilik. Ia tidak membantu kesilapan yang disebabkan oleh kosa kata, dan kesilapan itu memerlukan jenis bantuan yang berbeza.
Telefon tidak tahu siapa yang bercakap atau tentang apa ucapan itu, jadi nama produk atau nama keluarga hanyalah satu lagi bunyi untuk dianggarkan. Siaran boleh diberitahu terlebih dahulu apa yang perlu dijangkakan.
Jika anda menambah skrip atau slaid sebelum bermula, nama dan istilah di dalamnya akan mengatasi apa yang tersilap didengari oleh enjin. Semasa rakaman, tab Script mengikuti penceramah seperti teleprompter. Ini ialah peningkatan ketepatan terbesar bagi jenis pertuturan yang memenuhi persidangan dan kuliah: padat dengan kata nama khas dan perbendaharaan kata yang tidak pernah didengari model tujuan umum cukup kerap.
Audio yang baik dan glosari menghapuskan kebanyakan kesilapan. Persoalannya ialah apa yang berlaku kepada kesilapan yang masih tinggal.
Walaupun dengan audio yang baik dan skrip, sesetengah baris tetap akan keluar salah. Perbezaannya ialah apa yang berlaku seterusnya.
Pada telefon, tiada apa-apa. Baris yang salah bergulir berlalu dan terjemahan yang dibina atasnya turut hilang.
Dalam siaran, baris yang terlalu tidak jelas untuk dipaparkan disembunyikan daripada pendengar sebagai "Audio unclear" dan bukannya dibentangkan sebagai fakta.
Kemudian ada hos, yang mempunyai tab Fix: perkataan yang enjin tidak pasti boleh diwarnakan dan digariskan, satu klik membuka baris untuk semakan, dan mana-mana perkataan atau baris boleh ditulis semula semasa transkripsi masih langsung. Setiap pendengar melihat pembetulan dalam bahasa mereka sendiri. Setiap pembetulan ditandakan dan boleh dibatalkan.
Maksudnya bukan pelayan tidak pernah tersilap. Maksudnya ialah kesilapan itu kelihatan, dimiliki oleh seseorang dalam bilik, dan dibetulkan sekali untuk semua orang.
Pembetulan hanya membetulkan apa yang dibaca oleh pendengar. Pendengar yang lebih suka mendengar ucapan itu mendapat teks yang sama yang telah dibetulkan, dituturkan.
Pendengar yang lebih suka mendengar daripada membaca boleh meminta setiap baris terjemahan dibacakan dengan kuat. Secara lalai, setiap penceramah mendapat suara sedia ada yang berbeza dengan jantina yang sepadan, supaya panel masih kedengaran seperti panel. Anda boleh menetapkan suara kepada setiap penceramah, atau membisukan seorang daripada mereka.
Dengan kebenaran penceramah, anda boleh pergi lebih jauh dan mengklon suara mereka daripada tiga puluh saat pertuturan mereka, sama ada dimuat naik sebagai klip atau diambil terus daripada penceramah dalam rakaman; beberapa minit memberikan hasil yang lebih baik. Terjemahan kemudian dibacakan dengan suara penceramah sendiri dalam setiap bahasa. Penceramah yang mempunyai suara tersimpan juga boleh dikenali dalam rakaman kemudian, walaupun sistem lebih rela membiarkan penceramah tanpa nama daripada menamakan orang yang salah.
Dua peraturan terpakai, dan ia sengaja dibuat begitu. Suara klon ialah data biometrik: ia hanya dibuat dengan persetujuan jelas penceramah dan boleh dipadam pada bila-bila masa. Dan suara hanya menuturkan transkrip atau terjemahannya; ia tidak boleh diarahkan untuk mengatakan sesuatu yang pemiliknya tidak pernah katakan.
Semua yang berlaku setakat ini berlaku semasa penceramah bercakap. Perbezaan terakhir muncul selepas mereka berhenti.
Lima puluh transkrip telefon itu hilang apabila aplikasi ditutup. Siaran menyimpan rakaman dalam perpustakaan anda: audio, dan transkrip dengan setiap pembetulan dan terjemahan. Di situ ia boleh dimainkan semula baris demi baris, dicari dalam mana-mana bahasa dan dieksport; panduan dalam Satu pautan, setiap bahasa menerangkan apa yang dilakukan perpustakaan. Pendengar tidak dikenakan kos, walau berapa ramai pun. Anda membayar untuk audio yang ditranskripsikan, pada $0.60 sejam untuk langsung, dengan minimum 5 minit bagi setiap transkripsi, dan halaman Harga mempunyai senarai kadarnya.
Telefon di tangan setiap orang tetap pilihan sandaran yang baik untuk perbualan di koridor. Untuk sebuah bilik yang perlu memahami seorang penceramah bersama-sama, penceramah harus ditranskripsikan sekali, dari sumbernya, dengan seseorang yang boleh membetulkan apa sahaja yang tersilap. Anda boleh melihat rupa itu dalam demo interaktif di halaman utama.
