लाइभ अनुवादको शुद्धता मोडेल चल्नुअघि नै धेरैजसो तय हुन्छ, माइक कहाँ छ भन्ने आधारमा। अडियो मिक्सिङ डेस्कबाट लिनुहोस्, बाह्रौं लहरको सिटबाट होइन। एक पटक ट्रान्सक्राइब गर्नुहोस्, र गल्ती सबैका लागि सच्याउन सकिने एउटै लाइनमा सीमित हुन्छ।
फोनमा बनेका अनुवाद एपहरू वास्तविक उपलब्धि हुन्। ती प्रायः यन्त्र र ब्याट्रीमा अटाउने सानो बोली-मोडेल चलाउँछन् (कतिपयले जडान भएमा अडियो सर्भरलाई पठाउँछन्), र छोटो, स्पष्ट, दैनिक वाक्यहरूमा तिनले काम गर्छन्: बाटो सोध्न, मेनु पढ्न, काउन्टरमा हुने कुराकानी।
धेरै मानिसले एउटा वक्तालाई सुनिरहेको कोठा फरक समस्या हो। वास्तविक बोलीमा सबैभन्दा गलत हुने कुराहरू ठ्याक्कै सानो मोडेलले सबैभन्दा कमजोर गर्ने कुराहरू हुन्: कम प्रचलित शब्द र नाम, उच्चारण मिल्ने शब्दहरू ("their" र "there", "sail" र "sale"), प्राविधिक शब्दहरू, लवज, एकअर्कामाथि बोल्ने मानिसहरू, र पृष्ठभूमिको आवाज। एउटा नौकायन क्लबमा, "sale" सुन्ने मोडेलले उचित अनुमान गरेको हुन्छ, तर त्यो आत्मविश्वासका साथ गरिएको गल्ती हो।
दुई कुराले सानो मोडेललाई बढी अनुमान गर्न बाध्य पार्छ। फोनमा अटाउन यसलाई संकुचित गरिएको छ, त्यसैले यसलाई कम शब्द र कम तरिकाहरू थाहा छन्; नभेटेको सर्नेम यसले आवाजबाट मात्र अनुमानित गर्छ। र प्रत्यक्ष पहिचानले वाक्यको बाँकी भाग आउनुअघि नै एउटा शब्द पक्का गर्नुपर्छ, त्यसैले मोडेलले "sail" र "sale" बीच छुट्याउन अघि आउने शब्दहरू वा कार्यक्रम के बारे हो भन्ने स्क्रिप्टको सहायता पाउँदैन। स्पीच रिकग्निसनमा सन्दर्भ भन्नाले ठ्याक्कै यी दुई कुरा हुन्: वरिपरिका शब्दहरू, र पहिल्यै थाहा भएका कुराहरू।
मोडेलले शंका गर्दा, त्यो अनुमान गर्छ। अनुवाद त्यही अनुमानमा बनेको हुन्छ, र त्यो पढ्ने व्यक्तिलाई त्यो गलत हो भन्ने थाहा हुँदैन। कोठामा कसैले पनि देख्न सक्दैन कि एउटा लाइन गलत थियो, सच्याउने कुरा त परै जाओस्। र कोठा एक जना श्रोता होइन, पचास जना हुन्छन्।
फोनले वक्तालाई होइन, कोठालाई सुन्छ। कारण दूरी हो: लेपल वा डेस्क माइक मुखबाट केही सेन्टिमिटर टाढा हुन्छ, जबकि बाह्रौं लहरमा रहेको फोन दस मिटर वा सोभन्दा टाढा हुन्छ, र त्यसले पाउने अधिकांश आवाज पहिले भित्ता, छाना र कुर्सीका पछाडिबाट परावर्तित भएर आएको हुन्छ। परावर्तित आवाज ढिलो र धमिलो हुन्छ। यसका अतिरिक्त फोनले दुई लहर पछाडि खोकिरहेको मानिस, छेउमा बस्नेको फुसफुसाहट, र वक्तासम्म पुग्दा स्पिकरहरूले आवाजमा गर्ने परिवर्तन पनि उठाउँछ। हरेक सिटमा अलिकति फरक रेकर्डिङ पुग्छ, त्यसैले हरेक सिटमा अलिकति फरक ट्रान्सक्रिप्ट पुग्छ।
फोनले एक जना व्यक्तिका लागि मात्र अनुवाद गर्छ। पचास जना सहभागीले पचास फोन उठाउँदा एउटै भाषणका पचास स्वतन्त्र ट्रान्सक्रिप्ट बन्छन्, र प्रत्येकमा फरक गल्तीहरू हुन्छन्। कार्यक्रम सकिएपछि दुई जनाले नोट मिलाउँदा कुरा के भनियो भन्नेमा सहमत हुँदैनन्। वक्ता भने उठाइएका फोनहरूको पर्खालतिर बोलिरहेका हुन्छन्, जुन पढ्न गाह्रो भीड हो।
कोठाका केही मानिसका लागि यो असुविधामात्र होइन; कार्यक्रम पछ्याउन सक्छन् कि सक्दैनन् भन्ने कुरा त्यसैले निर्णय हुन्छ। सुन्न कठिनाइ भएका सहभागी, वा तेस्रो भाषामा पछ्याउँदै गरेका व्यक्तिलाई पचास जनाको उत्कृष्ट प्रयास होइन, एउटै सही साझा पाठ चाहिन्छ। त्यसको अर्थ वक्तालाई एक पटक ट्रान्सक्राइब गरेर सबैलाई एउटै नतिजा दिनु हो। एक पटक ट्रान्सक्राइब गर्नु राम्रो भएमा मात्र फाइदा हुन्छ, र त्यो अडियो कहाँबाट आउँछ भन्ने कुराबाट सुरु हुन्छ।
ट्रान्सक्रिप्ट त्यति मात्र राम्रो हुन्छ जति त्यसका लागि बनाइएको अडियो राम्रो हुन्छ। त्यसैले पहिलो निर्णय कुन मोडेल प्रयोग गर्ने होइन, कुन सिग्नल दिने भन्ने हो। दोस्रो निर्णय मोडेल सुरु गर्नुअघि त्यसलाई के बताउने भन्ने हो।
लाइभ ट्रान्सक्रिप्सनले स्वच्छ सिग्नल पहिले नै भएको ठाउँबाट अडियो लिन्छ:
VocalStack ले URL स्ट्रिम आफैँ तान्छ, त्यसैले तपाईंको तर्फबाट केही चलाउनु पर्दैन। RTMP फिडको काम उल्टो हो: तपाईंको इन्कोडरले त्यसलाई पठाउँछ। वक्ताको भाषा स्वतः पत्ता लाग्छ, र उनीहरूले जुनसुकै बेला भाषा बदल्न सक्छन्। भाषा थाहा छ र रेकर्डिङ धेरै आवाजयुक्त वा लवज धेरै भएको छ भने, भाषाको नाम दिँदा शुद्धता सुधिन्छ।
स्वच्छ अडियोले कोठाबाट हुने गल्ती हटाउँछ। तर शब्दावलीबाट हुने गल्तीमा त्यसले केही गर्दैन, र त्यसका लागि फरक खालको सहायता चाहिन्छ।
फोनलाई थाहा हुँदैन कसले बोलिरहेको छ वा कार्यक्रम के बारे हो, त्यसैले उत्पादनको नाम वा सर्नेम पनि अनुमान गरिने अर्को आवाज मात्र हो। प्रसारणलाई भने पहिल्यै भन्न सकिन्छ कि के आउने हो।
सुरु गर्नुअघि स्क्रिप्ट वा स्लाइड थप्नुभयो भने, तिनमा भएका नाम र शब्दहरू इन्जिनले गल्ती बुझेको कुरामाथि जित्छन्। रेकर्डिङका क्रममा Script ट्याबले वक्तालाई टेलिप्रम्प्टरझैं पछ्याउँछ। सम्मेलन र व्याख्यानहरू भरिने खालको भाषणका लागि यो शुद्धतामा सबैभन्दा ठूलो सुधार हो: त्यसमा धेरै उचित संज्ञा र यस्ता शब्दावली हुन्छन् जुन कुनै सामान्य उद्देश्यको मोडेलले पर्याप्त पटक सुनेको हुँदैन।
राम्रो अडियो र शब्दकोशले धेरैजसो गल्ती हटाउँछ। प्रश्न बाँकी गल्तीहरूसँग के हुन्छ भन्ने हो।
राम्रो अडियो र स्क्रिप्ट भए पनि केही लाइनहरू गलत आउँछन्। फरक कुरा त्यसपछि के हुन्छ भन्ने हो।
फोनमा केही हुँदैन। गलत लाइन अघि सर्छ, र त्यसमा आधारित अनुवाद पनि सँगै जान्छ।
प्रसारणमा, श्रोताहरूलाई देखाउनलायक नभएजति अस्पष्ट लाइन तथ्यका रूपमा प्रस्तुत गर्नुको सट्टा "Audio unclear" भनेर लुकाइन्छ।
त्यसपछि होस्टको लागि Fix ट्याब छ: इन्जिनलाई शंका लागेका शब्दहरूलाई रङ र अन्डरलाइन गर्न सकिन्छ, क्लिक गर्दा कुनै लाइन समीक्षाका लागि खुल्छ, र ट्रान्सक्रिप्सन अझै लाइभ हुँदा कुनै पनि शब्द वा लाइन फेरि लेख्न सकिन्छ। हरेक श्रोताले सच्याइ आफ्नै भाषामा देख्छ। हरेक सुधार चिन्ह लगाइएको हुन्छ र फिर्ता लिन सकिन्छ।
कुरा सर्भरले कहिल्यै गल्ती गर्दैन भन्ने होइन। कुरा के हो भने गल्ती देखिने हुन्छ, कोठाकै कुनै व्यक्तिले त्यसको जिम्मा लिन्छ, र एक पटक सबैका लागि सच्याइन्छ।
सच्याइहरूले श्रोताले पढ्ने कुरालाई मात्र सुधार्छ। जसले सुन्न रुचाउँछ, उनीहरूले सच्याइएकै पाठ बोलिएको रूपमा पाउँछन्।
जसले पढ्नुभन्दा सुन्न रुचाउँछ, उसले अनुवाद गरिएको प्रत्येक लाइन चर्को स्वरमा सुन्न सक्छ। पूर्वनिर्धारित रूपमा प्रत्येक वक्तालाई मिल्दो लिङ्गको फरक तयारी आवाज दिइन्छ, ताकि प्यानल अझै प्यानलजस्तै सुनियोस्। तपाईं प्रत्येक वक्तालाई आवाज तोक्न सक्नुहुन्छ, वा कुनै एकलाई म्यूट गर्न सक्नुहुन्छ।
वक्ताको अनुमति लिएर, तपाईं अझ अगाडि जान सक्नुहुन्छ र उनीहरूको 30 सेकेन्डको बोलीबाट उनीहरूको आवाज क्लोन गर्न सक्नुहुन्छ, त्यो क्लिपका रूपमा अपलोड गरेर वा रेकर्डिङमा भएको वक्ताबाट सिधै लिएर। केही मिनेटको बोलीले राम्रो नतिजा दिन्छ। त्यसपछि अनुवाद सबै भाषामा वक्ताको आफ्नै आवाजमा पढिन्छ। सुरक्षित गरिएको आवाज भएको वक्तालाई पछिका रेकर्डिङमा पनि पहिचान गर्न सकिन्छ, यद्यपि प्रणालीले गलत व्यक्तिको नाम लिनुभन्दा वक्तालाई नाम नभएको छोड्न रुचाउँछ।
दुई नियम लागू हुन्छन्, र ती जानाजानी बनाइएका हुन्। क्लोन गरिएको आवाज बायोमेट्रिक डेटा हो: यो वक्ताको स्पष्ट सहमतिमा मात्र बनाइन्छ र जुनसुकै बेला मेटाउन सकिन्छ। र आवाजले त्यसको मालिकले कहिल्यै नभनेको कुरा बोल्न सक्दैन: यसले ट्रान्सक्रिप्ट वा त्यसको अनुवाद मात्र बोल्छ।
वक्ता बोलिरहेको बेलामा यी सबै कुरा हुन्छन्। अन्तिम फरक तिनीहरू रोकिएपछि देखिन्छ।
पचास फोनका ट्रान्सक्रिप्ट एप बन्द हुनेबित्तिकै गायब हुन्छन्। प्रसारणले रेकर्डिङलाई तपाईंको लाइब्रेरीमा राख्छ: अडियो, र हरेक सच्याइ र अनुवादसहितको ट्रान्सक्रिप्ट। त्यहाँबाट लाइनलाई लाइन प्रति पुनःप्रसारण गर्न सकिन्छ, कुनै पनि भाषामा खोज्न सकिन्छ, र निर्यात गर्न सकिन्छ। लाइब्रेरीले के गर्छ भन्ने कुरा सबै भाषामा एउटै लिङ्क मा वर्णित छ। श्रोता कति भए पनि तिनीहरूको लागत शून्य हुन्छ। तपाईंले ट्रान्सक्राइब गरिएको अडियोको मूल्य तिर्नुहुन्छ, लाइभका लागि $0.60 प्रति घण्टा, प्रति ट्रान्सक्रिप्सन 5-मिनेटको न्यूनतमसहित, र दर तालिका मूल्य पृष्ठ मा छ।
फोन हरेक हातमा हुनु हलवेको कुराकानीका लागि अझै राम्रो विकल्प हो। जुन कोठाले एउटै वक्तालाई मिलेर बुझ्नुपर्छ, त्यहाँ वक्तालाई स्रोतबाटै एक पटक ट्रान्सक्राइब गर्नुपर्छ, र गल्ती हुँदा सच्याउन सक्ने व्यक्ति हुनुपर्छ। त्यो कस्तो देखिन्छ भन्ने गृहपृष्ठको अन्तरक्रियात्मक डेमो मा हेर्न सक्नुहुन्छ।
