बहुभाषी कोठालाई हरेक भाषाका लागि छुट्टै बुथ चाहिँदैन। त्यसलाई डेस्कबाट आउने एउटा सफा अडियो फिड, श्रोताहरूले आफ्नै फोनमा खोल्ने एउटा लिङ्क, र कार्यक्रम चलिरहँदा गलत सुनिएको नाम सच्याउने तरिका चाहिन्छ।
एउटा भाषण, सेवा, व्याख्यान वा नगरपालिका बैठकमा एकजना व्यक्ति बोल्छन्, र श्रोताहरू सबै त्यही भाषामा सोच्दैनन्। प्रचलित उपायहरू महँगा, अपूर्ण वा निजी हुन्छन्।
महँगो उपाय भनेको हरेक भाषाका लागि दोभाषे राख्नु हो। हरेक भाषाका लागि एक दोभाषे भए पनि त्यसको अर्थ एउटा बुथ, रिसिभरहरूको सेट, र हरेक भाषाका लागि एक विशेषज्ञ हो, र ती विशेषज्ञहरूले एउटै कुरा भन्दैनन्। दबाबमा हरेक दोभाषेले आफ्नै छनोट गर्छन्: कुन शब्द प्रयोग गर्ने, के सङ्क्षिप्त पार्ने, वक्ता छिटो बोल्दा के छोड्ने। सामान्य कार्यक्रममा यी भिन्नताले धेरै फरक पार्दैनन्। तर कानुनी सुनुवाइ, नगरपालिकाको मतदान वा प्राविधिक ब्रिफिङमा फरक पर्छ: कुनै परिभाषित शब्द, खुराक वा धाराको अर्थ फ्रान्सेली श्रोतासम्म एउटै तरिकाले र अरबी श्रोतासम्म अर्कै तरिकाले पुग्न सक्छ, र कोठाका कसैले पनि त्यो फरक थाहा पाउने स्थितिमा हुँदैनन्। अपूर्ण उपाय भनेको एउटै स्क्रिनमा एउटै दोस्रो भाषाको उपशीर्षक फिड हो। निजी उपाय भनेको पचास फोन कोठातिर उचाल्नु हो: पचास फरक, अलिकति गलत ट्रान्सक्रिप्ट, जहाँ प्रत्येक फोनले वक्ताको आवाजजस्तै गुन्जन र खोकीलाई पनि उत्तिकै स्पष्टसँग सुन्छ।
अर्को उपाय भनेको वक्तालाई एक पटक सफा स्रोतबाट ट्रान्सक्रिप्ट गर्नु, त्यो एउटै ट्रान्सक्रिप्टलाई श्रोताहरूलाई चाहिने जति भाषामा अनुवाद गर्नु, र त्यसैले हरेक भाषा एउटै शब्दबाट सुरु गर्नु, र हरेक श्रोतालाई आफ्नै उपकरणमा भाषा छान्न दिनु हो। कार्यक्रम सकिँदा रेकर्डिङ राखिन्छ। होस्ट र श्रोता प्रत्येकले यसलाई कसरी सेटअप गर्छन् र यसको लागत कति हुन्छ, त्यो यहाँ छ।
लाइभ ट्रान्सक्रिप्सनले कुनै पनि उपकरणको माइक्रोफोन, सर्भर URL र स्ट्रिम कुञ्जी लिने OBS वा अन्य कुनै इन्कोडरबाट आउने RTMP फिड, YouTube लाइभ, इन्टरनेट रेडियो स्टेसन, वा स्ट्रिम दिने कुनै पनि URL सुन्न सक्छ। स्ट्रिमका लागि VocalStack ले अडियो आफैँ तान्छ; तपाईंको तर्फबाट केही चलाउनु पर्दैन।
सेटिङभन्दा स्रोत बढी महत्त्वपूर्ण हुन्छ। कोठाको माइक्रोफोन, वा टेबुलमा राखिएको फोनले वक्ताको आवाजसँगै कोठाको आवाज पनि सुन्छ: पर्खालबाट फर्केको प्रतिध्वनि, कुर्सी र श्रोताहरूको आवाज। आवाज कोठाको आवाजको तुलनामा कमजोर हुँदै जाँदा वाक् पहिचानको शुद्धता तीव्र रूपमा घट्छ, त्यसैले ती पचास फोनबीच असहमति हुन्छ। मिक्सिङ डेस्कबाट आउने फिडमा वक्ताको आफ्नै माइक्रोफोन हुन्छ र कोठाको आवाज थोरै हुन्छ, त्यसैले ट्रान्सक्रिप्टले कोठालाई होइन, वक्तालाई पछ्याउँछ। स्थलमा डेस्क छ भने त्यहीँबाट फिड लिनुहोस्।
बोलिने भाषा स्वचालित रूपमा पत्ता लाग्छ, र वक्ताले जुनसुकै बेला भाषा बदल्न सक्छन्; पहिल्यै नाम तोक्दा शोर भएका रेकर्डिङ र बलियो लवजमा मद्दत मिल्छ। वक्ता लेबल अफ, अन, वा When Needed मा राख्न सकिन्छ, जसले दोस्रो वक्ता सुनिएपछि मात्र लेबल खोल्छ। अडियो आइसकेपछि श्रोताहरूले त्यो भेट्टाउने ठाउँ चाहिन्छ।
प्रसारण नै लिङ्क हो: एउटा ठेगाना र QR कोड, जुन श्रोताहरूले स्क्यान गरेर लाइभ अनुवाद खोल्छन् र आफ्नो भाषा छान्छन्। लिङ्क तपाईंले प्रसारणलाई दिएको नामबाट बनिन्छ। पछि नाम बदल्दा पुरानो लिङ्क काम गरिरहन्छ, त्यसैले कार्यक्रमपत्रमा छापिएको QR कोड पुरानो हुँदैन।
प्रसारण डिफल्टरूपमा सार्वजनिक हुन्छ: लिङ्क भएको जो कोहीले पनि खोल्न सक्छ। निजी बनाएर पासवर्ड राखियो भने ट्रान्सक्रिप्ट देखिनुअघि श्रोताहरूसँग पासवर्ड मागिन्छ।
एउटै प्रसारणमा धेरै लाइभ ट्रान्सक्रिप्सनले फिड दिन सक्छन्, त्यसैले दुई मञ्च भएको सम्मेलनले पनि एउटै लिङ्क बाँड्न सक्छ। लिङ्कले मानिसलाई भित्र ल्याउँछ; तिनलाई त्यहीँ टिकाइराख्ने कुरा भने नामहरू सही हुनु हो।
वाक् पहिचानकर्ताहरूलाई मानिस सामान्यतया कसरी बोल्छन् भन्ने आधारमा तालिम दिइन्छ, त्यसैले कुनै ध्वनि अस्पष्ट हुँदा तिनीहरू सामान्य शब्दतर्फ जान्छन्। कुनै उत्पादनको नाम, थर, गाउँ वा रसायनको नाम: प्रत्येकको एउटा बढी प्रचलित मिल्दोजुल्दो शब्द हुन्छ, र पहिचानकर्तालाई दुर्लभ शब्द आउँदैछ भनी नबताएसम्म त्यही आउँछ। स्क्रिप्ट त्यसैका लागि हो। सुरु गर्नुअघि स्क्रिप्ट वा स्लाइड थप्नुहोस्, र तिनमा भएका नाम र शब्दहरू गलत सुनिएकाहरूभन्दा माथि पर्छन्। विशेषज्ञ कार्यक्रममा पहिचान प्रायः यिनै नाम र शब्दमा चुक्छ। रेकर्डिङ चलिरहँदा Script tab ले टेलिप्रम्प्टरजस्तै अहिलेसम्म बोलिएका शब्दहरू उज्यालो पार्दै पछ्याउँछ।
यति नै सेटअप हो। लिङ्कको अर्को छेउमा गर्नुपर्ने काम त्योभन्दा पनि कम छ।
श्रोतालाई लिङ्क वा QR कोड र एउटा फोन चाहिन्छ। उनीहरूले ब्राउजरमा लिङ्क खोल्छन् र होस्टले रेकर्ड थिचेसम्म प्रसारण अझै सुरु भएको छैन देख्छन्, त्यसपछि लाइभ। पहिलो पङ्क्ति केही क्षणमै देखिन्छ। देख्छन्। उनीहरूले होस्टले छानेका भाषाहरूमध्ये रोज्छन् (प्रति ट्रान्सक्रिप्सन 10 सम्म, उपलब्ध 100 मध्ये) र वक्ता बोल्दै जाँदा ट्रान्सक्रिप्ट पढ्छन्। होस्ट आफ्नै भाषामा बोल्न जारी राख्छन्। श्रोताले जुनसुकै बेला भाषा बदल्न सक्छन्; नयाँ भाषामा अहिलेसम्मको ट्रान्सक्रिप्ट फेरि देखाइन्छ।
श्रोताले सुन्न चाहन्छन् भने अनुवाद गरिएको हरेक पङ्क्ति चर्को स्वरमा पढिन्छ। डिफल्टरूपमा प्रत्येक वक्ताले मिल्दो लिङ्गको फरक तयारी आवाज पाउँछ, त्यसैले प्यानल अझै प्यानलजस्तै सुनिन्छ।
तीन चरण क्रमशः हुन्छन्, र प्रत्येक अघिल्लोको पर्खाइमा हुन्छ। वाक् पहिचानले शब्दहरू पक्का गर्न अलिकति बोलाइ चाहिन्छ, त्यसैले ट्रान्सक्रिप्ट वक्ताभन्दा केही सेकेन्ड पछाडि हुन्छ। अनुवादलाई पूरा वाक्य चाहिन्छ, किनकि भाषाहरूबीच शब्दक्रम फरक हुन्छ र वाक्यको अन्त्यले सुरुको अर्थ बदल्न सक्छ, त्यसैले त्यो एक-दुई सेकेन्ड पछि आउँछ। बोलिएको पङ्क्ति सबैभन्दा पछि आउँछ, किनकि बोलाइ सुरु गर्नुअघि अनुवादित वाक्य चाहिन्छ। यो सच्याउनुपर्ने दोष होइन; यी तीनवटा काम गर्ने कुनै पनि प्रणालीले यसै गर्नुपर्छ, मानवीय दोभाषेले पनि क्रियाका लागि पर्खन्छन्।
वक्ताको अनुमति लिएर, होस्टले वक्ता एक्लै बोलेको तीस सेकेन्डको नमुनाबाट (MP3, M4A वा WAV; केही मिनेट भए झन् राम्रो) वक्ताको आवाज क्लोन गर्न सक्छन्। त्यसपछि अनुवाद प्रत्येक भाषामा वक्ताकै आफ्नो आवाजमा पढिन्छ। आवाजलाई यसको बायोमेट्रिक डाटाको रूपमा व्यवहार गर्नुहोस्। GDPR अन्तर्गत कुनै व्यक्तिलाई चिन्न प्रशोधन गरिएको आवाज डाटा सामान्यतया धारा 9 का विशेष वर्गभित्र पर्छ, र केही अमेरिकी राज्यहरू, जसमध्ये इलिनोइस पनि एक हो, आवाज-छापलाई छुट्टै नियमन गर्छन्। नमुना रेकर्ड हुनुअघि नै वक्ताको स्पष्ट सहमति लिनुहोस्, पछि होइन; आवाज जुनसुकै बेला मेटाउन सकिन्छ। क्लोनिङले वक्तालाई पनि दर्ता गर्छ, त्यसैले भविष्यका रेकर्डिङमा उनीहरू नामबाट लेबल हुन्छन्। होस्टले प्रत्येक वक्तालाई आवाज तोक्न वा कुनै वक्तालाई म्युट गर्न सक्छन्।
ढिलो आउने श्रोताले उनीहरू आउनुअघि भनिएका सबै कुरा देख्छन्, त्यसपछि लाइभ पछ्याउँछन्। जडान टुटेमा जडान फर्किएपछि पेजले आफैँ पक्डिन्छ। होस्टले रोक्दा श्रोताहरूले रोकिएको छ। होस्ट फेरि सुरु गर्दा ट्रान्सक्रिप्ट जारी रहन्छ। देख्छन्। होस्टले बन्द गर्दा पेजमा रेकर्डिङको मिति र अवधि देखिन्छ, र प्रसारणले आफ्ना विगतका रेकर्डिङहरू पुनः हेर्नका लागि सूचीबद्ध गर्छ।
श्रोताले इन्जिनले सुनेको कुरा मात्र पढ्न सक्छन्, र लाइभ पहिचानले त्यसको केही भाग गलत बुझ्छ।
होस्ट स्क्रिनमा ठ्याक्कै त्यसकै लागि Fix ट्याब हुन्छ। Mark uncertain words ले इन्जिन अनिश्चित रहेका शब्दहरूलाई रङ दिन्छ र रेखा कोर्छ; Click to correct ले समीक्षाका लागि एउटा पङ्क्ति खोल्छ। ट्याबले अनिश्चित खण्डहरूलाई एक-एक गरेर देखाउँछ, त्यसैले डेस्कमा अर्को व्यक्तिले वक्ता बोलिरहँदा पनि ती काम गर्न सक्छन्।
होस्टले कुनै शब्द वा पङ्क्ति फेरि लेखेमा, अझै बोलिइरहेको भए पनि, हरेक श्रोताले सच्याइ देख्छन्। धेरै कम विश्वासको पङ्क्ति श्रोताहरूबाट अडियो अस्पष्ट का रूपमा लुकाइन्छ, गलत देखाइँदैन; होस्टले भने हरेक शब्द देख्छन्। खाली ठाउँ ज्ञात अन्तर हो; विश्वासिलो गलत शब्द भनेको अफवाह हो।
ती सच्याइहरू कार्यक्रम सकिँदा हराउँदैनन्।
सबै कुरा सुरक्षित हुन्छ। रेकर्डिङ, सच्याइ र अनुवादसहितको ट्रान्सक्रिप्ट, र अडियो होस्टको लाइब्रेरीमा पुग्छन्। रिप्लेले सबै कुरा आएजस्तै, पङ्क्ति-पङ्क्तिमा र अडियोसहित फेरि बजाउँछ। शब्दहरू अन्तिम भएपछि हरेक भाषामा शीर्षक र सारांश लेखिन्छ, र होस्ट स्क्रिनको Summary र Export ट्याबले त्यसलाई कार्यक्रमबाटै बाहिर ल्याउँछन्।
निर्यात SRT उपशीर्षक, PDF, Excel वा JSON मा हुन्छ, जसमा सच्याइ र अनुवाद समेटिएका हुन्छन्, र अडियो MP3 मा डाउनलोड हुन्छ। हरेक ट्रान्सक्रिप्ट जुनसुकै भाषामा खोज्न सकिन्छ।
Audience दृश्यले कसले सुने, कुन भाषामा, र कहिले जोडिए भनी देखाउँछ: आयोजकले कसलाई कुन भाषा चाहिन्छ भन्ने पहिलो वास्तविक गन्ती प्रायः यहीँबाट पाउँछन्। त्यसअघि अनुमान गरिने तरिका अङ्ग्रेजीमा सोधिँदा अनुवाद चाहिने भनी हात उठाउनेहरूको संख्या थियो। श्रोता पहिचानकर्ताहरू रेकर्डिङसँगै मेटिन्छन्।
वाक् पहिचान, वक्ता पहिचान र आवाज संश्लेषण हामीले सञ्चालन गर्ने सर्भरहरूमा चल्छन्, र तपाईंको अडियो प्रशोधनका लागि कुनै तेस्रो पक्षलाई पठाइँदैन। हामी तपाईंको अडियो, ट्रान्सक्रिप्ट वा आवाजहरू मोडेल तालिम दिन प्रयोग गर्दैनौँ।
धारण योजनाअनुसार हुन्छ: प्रयोग अनुसार भुक्तानीमा स्रोत अडियो र आवाजहरू 7 दिन र ट्रान्सक्रिप्सनहरू 30 दिनसम्म राखिन्छन्; Premium र Enterprise मा खाता रहँदासम्म राखिन्छन्। योजनाले निर्णय गर्ने अर्को कुरा बिल हो।
दुईवटा संख्या महत्त्वपूर्ण छन्। प्रयोग अनुसार भुक्तानी र Premium मा लाइभ ट्रान्सक्रिप्सन अडियोमा प्रति घण्टा $0.60 लाग्छ, प्रति सेकेन्डका आधारमा, प्रति ट्रान्सक्रिप्सन 5 मिनेटको न्यूनतम सहित, ड्यासबोर्ड र API दुवैमा समान रूपमा; Enterprise मा भोल्युम दर लागू हुन्छ। श्रोता र भाषा निःशुल्क हुन्छन्: दुई सय मानिसले पाँच भाषामा पढेको एक घण्टाको कार्यक्रमको लागत $0.60 हुन्छ। फाइलहरू सस्ता छन् ($0.20 प्रति घण्टा) किनकि लाइभ ट्रान्सक्रिप्सन सम्पूर्ण कार्यक्रमभर वास्तविक समयमा चल्छ। योजनाहरूमा एकैसाथ चल्न सक्ने कार्य, अधिकतम रेकर्डिङ लम्बाइ र सुरु हुने गति फरक हुन्छ; प्रयोग अनुसार भुक्तानीमा कोल्ड स्टार्टमा 15 सेकेन्डसम्म लाग्न सक्छ, त्यसैले वक्ता बोल्नुअघि नै केही अगाडि रेकर्ड थिच्नुहोस्, लगभग “पछाडिका सबैले मेरो आवाज सुन्न सक्नुहुन्छ?” भन्नुअघि। पूर्ण तालिका मूल्य पृष्ठ मा छ।
गृहपृष्ठ मा दुई-फोनको डेमो छ, र ड्यासबोर्ड मा नयाँ खातासँग $5 साइनअप क्रेडिट आउँछ, र कार्ड चाहिँदैन। लाइभ दरमा त्यो क्रेडिटले आठ घण्टाभन्दा बढी प्रसारण धान्छ।
यो र फोनमा अन्तर्निहित लाइभ अनुवादबीच छनोट गर्दै हुनुहुन्छ? फोन कोठाका लागि किन पर्याप्त हुँदैन भनी पढ्नुहोस्। पूर्ण कार्यक्रमका लागि, बहुभाषी सम्मेलनको चेकलिस्ट मा अडियो मार्ग, एउटै लिङ्कमा धेरै चरण र बजेट समेटिएका छन्। विकासकर्ताहरूले API सन्दर्भ मार्फत कोडबाट यी सबै काम गर्न सक्छन्, उही दरमा।
