क्याप्सन मिक्सिङ डेस्कमा र वक्ताका स्लाइडमा जित्छन्। हरेक स्टेजको बोली माइकबाट एउटा सफा फिड लिनुहोस् र कोही मञ्चमा उक्लनु अघि नै सबै नाम र संक्षिप्त रूपहरू लोड गर्नुहोस्; बाँकी दिन ती दुई कुराले छुटाएको कुरा मिलाउनमा बित्छ।
सम्मेलनमा क्याप्सन राख्ने अधिकांश काम कोही मञ्चमा उक्लनु अघि नै हुन्छ, र त्यसको धेरैजसो सफ्टवेयर होइन।
लेक्चर्नमा रहेको फोनले कोठाको आवाज सुन्छ; मिक्सिङ डेस्कले वक्तालाई सुन्छ। फिड डेस्कबाट लिनुहोस्, र कुन फिड भनेर स्पष्ट हुनुहोस्। साउन्ड इन्जिनियरलाई बोली माइकहरू मात्र बोक्ने एउटा समर्पित aux वा matrix send माग्नुहोस्: लेक्चर्न, ल्यापल माइक, प्यानल माइक। वाक-इन सङ्गीत, भिडियो प्लेब्याक र ताली (applause stem) यसमा नआओस्। जिङ्गल सुनिरहेको पहिचानले गीतका बोल अड्कलले अनुमान गर्छ।
त्यो सेन्ड टेक रिहर्सलमा परीक्षण गर्नुहोस्, सकिएसम्म वास्तविक माइक र वास्तविक स्पिकरसहित। नत्र कार्यक्रमको दिन बिहान 8:55 मा थाहा हुन्छ कि matrix आउटपुट post-fader छ र इन्जिनियरले बोलीबीच लेक्चर्न म्युट गर्छ।
VocalStack लाई त्यो फिड दुई तरिकामध्ये एकमा दिनुहोस्। पहिलो, डेस्कमा रहेको RTMP एन्कोडर। लाइभ ट्रान्सक्रिप्सनको स्रोतका रूपमा RTMP स्ट्रिम थप्दा ड्यासबोर्डले एन्कोडरलाई चाहिने सर्भर URL र stream key देखाउँछ, अडियो अहिलेसम्म आइपुगेको छ कि छैन र कुन ढाँचामा आइरहेको छ भनेर बताउँछ, र तपाईंलाई त्यो सुन्न दिन्छ। दोस्रो, स्ट्रिम ठेगाना। यदि स्टेज पहिल्यै YouTube लाइभ वा अडियो स्ट्रिमका रूपमा प्रसारण भइरहेको छ भने, त्यो लिङ्क टाँस्नुहोस्; VocalStack ले अडियो आफैं तान्छ, तपाईंको तर्फबाट केही चलाउनु पर्दैन। स्ट्रिमको आफ्नै ठेगाना टाँस्नुहोस्, जुन पृष्ठमा त्यो चलिरहेको हुन्छ त्यो होइन। गल्तिले वेब पृष्ठ टाँसियो भने ड्यासबोर्डले त्यो बताउँछ।
जे भए पनि, प्रति स्टेज एउटा माइक फिड प्रयोग गर्नुहोस्। दर्शक माइक र क्रसटकले शुद्धतामा यस्तो मूल्य लगाउँछन् जुन कुनै सेटिङले फर्काउन सक्दैन। भवनको उत्तम माइक त्यस प्यानलिस्टको हो जो आफ्नो माइकबाट निरन्तर पर झुक्किरहन्छ।
अडियो आउन थालेपछि, उपस्थितहरूलाई क्याप्सन पढ्ने ठाउँ चाहिन्छ।
प्रसारण भनेको उपस्थितहरूले खोल्ने लिङ्क हो। Broadcasts अन्तर्गत बनाउनुहोस्, यसलाई नाम दिनुहोस्, र यसको लिङ्क छान्नुहोस्। ड्यासबोर्डले नामका आधारमा लिङ्क सुझाउँछ; तपाईं त्यसलाई सम्पादन गर्न सक्नुहुन्छ, तर कम्तीमा छ अक्षर रहनुपर्छ। उही स्क्रिनले QR code देखाउँछ, जसलाई उपस्थितहरूले स्क्यान गरेर लाइभ अनुवाद खोल्छन् र आफ्नो भाषा छान्छन्।
अहिले नै निर्णय गर्नुहोस् कि प्रसारण सार्वजनिक हो वा निजी। सार्वजनिक भनेको लिङ्क भएको जो कोही पनि खोल्न सक्छ। निजी भनेको उपस्थितहरूले ट्रान्सक्रिप्ट देखिनु अघि एउटा छोटो पासवर्ड प्रविष्ट गर्नुपर्छ। पछि लिङ्क परिवर्तन गर्नुपर्यो भने परिवर्तन गर्नुहोस्; पुरानो लिङ्क भने चलिरहन्छ।
त्यसपछि सोच्नुहोस् कि लिङ्क हजार खल्तीसम्म कसरी पुग्छ। हरेक सत्र अघि होल्डिङ स्लाइडमा, ढोकाका साइनेजमा, र यदि छ भने ल्यानयार्ड कार्डमा QR code राख्नुहोस्। एकैचोटि सयौं फोन जोडिँदा भेन्युको Wi-Fi मा वास्तविक भार पर्छ, त्यसैले भेन्युलाई सोध्नुहोस् कि एक्सेस पोइन्टहरू कति भारका लागि मिलाइएका थिए र अतिथि नेटवर्कले प्रति यन्त्र गति घटाउँछ कि घटाउँदैन। जवाफ अनिश्चित भयो भने उपस्थितहरूलाई मोबाइल डेटा प्रयोग गर्न भन्नुहोस्। पृष्ठहरू सानो हुन्छन्; जोखिम Wi-Fi मा हो।
दुईवटा स्टेज भएको सम्मेलनलाई दुईवटा लिङ्क चाहिँदैन। एउटै प्रसारणलाई धेरै लाइभ ट्रान्सक्रिप्सनले एकैसाथ खुवाउन सक्छन्। स्टेज A र स्टेज B दुईवटा लाइभ ट्रान्सक्रिप्सन बन्छन्, जुन एउटै प्रसारणमा जोडिएका हुन्छन्, र उपस्थितको फोनमा एउटै पृष्ठमा दुवै देखिन्छन्। प्रत्येक स्टेज आफ्नै लाइभ ट्रान्सक्रिप्सन हो, र हरेक योजनाले एकैसाथ कति चल्न सक्छन् भन्ने सीमा राख्छ (Pay as you go मा 1, Premium मा 5, Enterprise मा असीमित)। त्यो सीमा तलको बजेट खण्डमा फर्किन्छ।
लिङ्क त्यसको पछाडिका शब्दहरू जत्तिकै मात्र राम्रो हुन्छ।
कुनै पनि प्रणालीमा, लाइभ पहिचान नाम, उत्पादनका शब्द र संक्षिप्त रूपमा अड्कन्छ। सुरु गर्नु अघि प्रत्येक वक्ताको स्क्रिप्ट वा स्लाइड थप्नुहोस्, र तिनमा भएका नाम र शब्दहरूलाई इन्जिनले सुनेको भन्ठानेभन्दा प्राथमिकता दिइन्छ। वार्ताका क्रममा Script ट्याबले शब्दहरू टेलिप्रम्प्टरजस्तै पछ्याउँछ।
यो पनि मेसिन क्याप्सनको वास्तविकता बारे इमानदार हुने समय हो। स्पीच पहिचान र मेसिन अनुवाद CART (Communication Access Realtime Translation, प्रशिक्षित मानव क्याप्सनरले लाइभ टाइप गरेका क्याप्सन) होइन, र यो अन्तर्व्याख्या पनि होइन। यो छिटो, सस्तो र थाक्दैन, तर कहिलेकाहीँ नकारात्मक वाक्य उल्टाइदिन्छ, संख्या गोलो पार्छ, वा हाँसोको कुरालाई तथ्यको कथनमा बदल्छ। मुख्य सत्र, उत्पादन सत्र वा प्यानलका लागि त्यो व्यापार सामान्यतया ठीक हुन्छ। जुन सत्रमा गलत शब्दको परिणाम हुन्छ (कानुनी, चिकित्सा, मतदान), त्यहाँ मानव क्याप्सनर वा दोभाषे बुक गर्नुहोस् र मेसिनलाई लिखित अभिलेखका रूपमा सँगै चलाउनुहोस्। पहुँचको आधारभूत मापदण्ड पनि जान्नुलायक छ: WCAG 2.x ले लाइभ अडियोमा क्याप्सन स्तर AA (criterion 1.2.4) मा माग्छ, र बढ्दो सङ्ख्यामा सार्वजनिक क्षेत्र र भेन्यु सम्झौताहरूले यसलाई सिधै उद्धृत गर्छन्।
शब्दहरू तय भएपछि, अन्तिम तयारी ती शब्द कसले भनिरहेको छ भन्ने कुरामा हो।
वक्ता लेबलले दर्शकलाई कसले बोलिरहेको छ भनेर बताउँछ। स्विचलाई When Needed मा सेट गर्नुहोस्; त्यसपछि दोस्रो वक्ता सुनिएपछि मात्र लेबल देखिन्छन्, त्यसैले मुख्य वक्तव्य सादा पाठजस्तो देखिन्छ र प्यानल कुराकानीजस्तो देखिन्छ।
वक्तालाई पहिलो लाइनदेखि नै नाम लिएर चिनाउन, Voices अन्तर्गत पहिल्यै तिनका आवाज दर्ता गर्नुहोस्। एक व्यक्ति बोलेको एउटा क्लिप पर्याप्त हुन्छ: MP3, M4A वा WAV, कम्तीमा तीस सेकेन्ड लामो, तर केही मिनेट भए अझ राम्रो। त्यो व्यक्तिले सहमति दिएको हुनुपर्छ, र आवाज सिर्जना गर्नु अघि ड्यासबोर्डले तपाईंलाई अनुमति छ भनी पुष्टि गर्न सोध्छ। यसलाई केवल चेकबक्स नठान्नुहोस्। GDPR अन्तर्गत, कसैलाई पहिचान गर्न प्रयोग हुने भ्वाइसप्रिन्ट सामान्यतया बायोमेट्रिक डेटा (धारा 9) मानिन्छ। अर्थात् स्पष्ट सहमति र भ्वाइसप्रिन्ट मेटाउन पाउने अधिकार चाहिन्छ। अन्य ठाउँमा पनि समान नियमहरू छन्, र वक्ता सम्झौता यसलाई समेट्ने सजिलो ठाउँ हो। क्लोन गरिएको आवाज जुनसुकै बेला मेट्न सकिन्छ। यो अस्तित्वमा रहँदासम्म, श्रोताहरूले त्यो वक्ताका अनुवाद मिल्दो आवाजमा पनि सुन्न सक्छन्।
योजना तय भएपछि, बाँकी कुरा कार्यक्रमको दिन नै हो।
हरेक लाइभ ट्रान्सक्रिप्सनमा Speed ट्याब हुन्छ, जसमा लेटेन्सी मोड र समयसँगै ढिलाइको चार्ट हुन्छ। तीन सेटिङ छन्:
सफा डेस्क फिड भएको, स्क्रिप्ट गरिएको मुख्य वक्तव्यका लागि Auto ठीक हो; चार उच्चारणसहित र स्क्रिप्ट नभएको प्राविधिक प्यानलका लागि Accuracy ले थप ढिलाइ लायक बनाउँछ।
सुरुवात समय अर्को योजना गर्नुपर्ने कुरा हो। Pay as you go मा कोल्ड स्टार्ट हुँदा ट्रान्सक्रिप्सन सुरु हुनु अघि 15 सेकेन्डसम्म लाग्न सक्छ। Premium सामान्यतया वार्म सुरु हुन्छ, र Enterprise सधैं वार्म हुन्छ। पहिलो शब्दमा होइन, वाक-इनका बेला सुरु थिच्नुहोस्।
मोड जे भए पनि, केही शब्द गलत हुनेछन्, त्यसैले कसैले हेरिरहनुपर्छ।
डेस्कमा कसैले Fix ट्याब खुला राख्नुपर्छ। यसमा दुईवटा स्विच छन्: Mark uncertain words ले इन्जिनलाई अनिश्चित लागेका शब्दहरूमा रङ र रेखा लगाउँछ, र Click to correct ले क्लिक गर्दा समीक्षाका लागि एउटा लाइन खोल्छ। ट्याबले अनिश्चित खण्डहरूमा एक-एक गरी लैजान्छ, र सुधारले हरेक भाषाका हरेक श्रोतासम्म पुग्छ।
कोठामा दर्शक माइक नै सबैभन्दा कमजोर कडी हो, र Q&A मा त्यो देखिन्छ। जवाफ दिनु अघि मध्यस्थकर्तालाई हरेक दर्शक प्रश्न आफ्नै माइकमा दोहोर्याउन भन्नुहोस्। क्याप्सनले धन्यवाद दिनेछ, र पछाडिको पङ्क्तिका सहभागीले पनि, जसले त्यो पनि सुनेका थिएनन्।
सत्रहरूबीच, डेस्कको काम फरक हुन्छ।
होस्ट स्क्रिनले रेकर्डिङ रोक्न र फेरि सुरु गर्न सक्छ, र श्रोताको पृष्ठमा सूचना देखिन्छ: "Paused. The transcript continues when the host resumes." (रोकिएको छ। होस्टले फेरि सुरु गर्दा ट्रान्सक्रिप्ट जारी रहन्छ।) रोक्ने काम परिवर्तनका लागि हो, खाजाको ब्रेकका लागि होइन। प्रत्येक रेकर्डिङको अधिकतम रोकिने समय हुन्छ, जुन ड्यासबोर्डमा 30 सेकेन्ड, 1 मिनेट वा 3 मिनेटमा सेट गर्न सकिन्छ; लामो समयसम्म रोकिएको रेकर्डिङ आफैं समाप्त हुन्छ।
लामो अन्तरालका लागि, रेकर्डिङ रोकेर अर्को सत्र सुरु हुँदा नयाँ सुरु गर्नुहोस्। प्रत्येक रेकर्डिङ प्रसारणको पृष्ठमा सूचीबद्ध रहन्छ, त्यसैले दिउँसो उपस्थितहरूले बिहानका सत्रहरूमा फर्केर स्क्रोल गर्न सक्छन्। एउटा एकल लाइभ रेकर्डिङको सीमा Pay as you go मा केही घण्टा र Premium मा लामो हुन्छ (सटीक आँकडा मूल्य पृष्ठ मा छ), त्यसैले लामो दिन भए पनि धेरै रेकर्डिङ हुन्छन्।
बिहानको बीचमा, कसले वास्तवमा पढिरहेको छ जाँच गर्नुहोस्।
Broadcast ट्याबको दर्शक दृश्यले कसले भित्र छन्, अहिले कति जना सुनिरहेका छन्, उनीहरूले खोलेका भाषाहरू, र समयसँगै श्रोताहरू देखाउँछ। हरेक लाइभ ट्रान्सक्रिप्सनमा 10 भाषासम्म समावेश हुन्छन्, र प्रत्येक श्रोताले आफ्नै यन्त्रमा एउटा छान्छन्। त्यसैले दृश्यले कोठाले वास्तवमा कुन भाषा पढ्छ भनेर बताउँछ, जुन प्रायः आयोजकले अनुमान गरेको सूचीभन्दा फरक हुन्छ। म्याड्रिडबाट दर्ता गरेका प्रतिनिधिहरूले अंग्रेजी पढ्ने रहेछन्; पोर्चुगिज पङ्क्ति कसैले अपेक्षा नगरेको तालिकाबाट भरिन्छ। त्यो सूची अर्को वर्षका लागि घर लैजानुहोस्।
ती सबै श्रोता निःशुल्क हुन्छन्। पैसा लाग्ने भनेको अडियो हो।
लाइभ ट्रान्सक्रिप्सन अडियोको प्रति घण्टा $0.60 हो, प्रति सेकेन्ड बिलिङसहित, प्रति ट्रान्सक्रिप्सन 5 मिनेटको न्यूनतमसहित, हरेक योजनामा र API मार्फत पनि। दुई स्टेज प्रत्येक आठ घण्टा चल्दा 16 घण्टा लाइभ अडियो हुन्छ, जुन $9.60 हो। अनुवाद, प्रसारण, सारांश र निर्यात समावेश छन्, कति जनाले सुने पनि।
योजनाले दर होइन, क्षमता निर्धारण गर्छ। प्रयोग अनुसार भुक्तानी मा साइन अप क्रेडिट $5 एकपटक पाइन्छ, कार्ड चाहिँदैन, एकैचोटि एउटा ट्रान्सक्रिप्सन, र 5 घण्टासम्मको अधिकतम रेकर्डिङ। क्रेडिट शून्यमा पुग्नेबित्तिकै लाइभ ट्रान्सक्रिप्सन तुरुन्तै रोकिन्छ, त्यसैले ढोका खुल्नु अघि टप-अप गर्नुहोस्। Premium मासिक $50 (वार्षिक योजनामा $40 मासिक) हो, र हरेक महिना $50 क्रेडिट समावेश हुन्छ, जसले 83 लाइभ घण्टा पुर्याउँछ। यसमा पाँचवटा एकसाथ ट्रान्सक्रिप्सन र 10 घण्टा रेकर्डिङ अनुमति छ, र ग्रेस अवधि थपिएको छ: क्रेडिट शून्य भइसकेपछि पनि लाइभ ट्रान्सक्रिप्सन केही समय चलिरहन्छ, र थपिएका मिनेटहरू उही दरमा बिलिङ हुन्छन्। दुई समानान्तर स्टेजका लागि Premium चाहिन्छ। Enterprise मा मूल्य अनुकूल (custom) हुन्छ, असीमित समानान्तर चलाउन मिल्छ, 24 घण्टा रेकर्डिङ र समर्पित इन्जिन पूल हुन्छ।
पूर्ण तालिकाका लागि मूल्य पृष्ठ हेर्नुहोस्, र सातादिन अघि ड्यासबोर्डमा बिलिङ अन्तर्गत आफ्नो ब्यालेन्स जाँच गर्नुहोस्।
बिल अडियो रोकिएपछि रोकिन्छ; ट्रान्सक्रिप्ट रोकिँदैन।
ट्रान्सक्रिप्ट Pay as you go मा 30 दिनसम्म राखिन्छ, र Premium र Enterprise मा सीमा बिना। Pay as you go मा स्रोत अडियो केवल 7 दिनसम्म राखिन्छ। निःशुल्क योजनामा भए, हप्ताभित्र निर्यात गर्नुहोस्।
यो लिङ्कले उपस्थितको सिटबाट कस्तो देखिन्छ भन्ने कुरा एउटा लिङ्क, सबै भाषामा मा हेर्नुहोस्, वा होम पृष्ठको लाइभ डेमो प्रयास गर्नुहोस्।
