Untertekster vinnes ved mikserpulten og i talernes lysbilder. Ta én ren feed fra talemikrofonene per scene, og last inn alle navn og forkortelser før noen går på scenen; resten av dagen går med til å rette det de to ikke fikk med seg.
Mesteparten av arbeidet med å undertekste en konferanse gjøres før noen går på scenen, og mesteparten av det er ikke programvare.
En telefon på en talerstol hører rommet; mikserpulten hører taleren. Ta feeden fra pulten, og vær konkret om hvilken feed. Be lydteknikeren om en dedikert aux- eller matriseutgang som kun bærer talemikrofonene: talerstol, knappemikrofoner og panelmikrofoner. Innmarsjmusikk, videoavspilling og applausstemmen holdes utenfor. Gjenkjenning som må høre gjennom en jingle, gjetter selvsikkert på tekstene.
Test denne utgangen under den tekniske gjennomkjøringen, med de faktiske mikrofonene og de faktiske høyttalerne hvis du kan få dem. Ellers finner du ut klokken 08.55 på konferansedagen at matriseutgangen er post-fader, og at lydteknikeren demper talerstolen mellom innleggene.
Gi VocalStack denne feeden på en av to måter. Den første er en RTMP-enkoder ved pulten. Når du legger til en RTMP-strøm som kilde for en direktetranskripsjon, viser Dashbordet server-URL-en og strømnøkkelen enkoderen trenger, forteller deg om lyd allerede kommer inn og i hvilket format, og lar deg lytte til den. Den andre er en strømadresse. Hvis scenen allerede sendes ut som en YouTube-direkte eller en lydstrøm, lim inn lenken, så henter VocalStack lyden selv; ingenting kjører på din side. Lim inn strømmens egen adresse, ikke siden den spilles av på. Hvis du limer inn en nettside ved en feil, forteller Dashbordet deg det.
Uansett hvilken måte du velger, bruk én mikrofonfeed per scene. Publikumsmikrofoner og kryssprat koster nøyaktighet som ingen innstilling kan hente tilbake. Den beste mikrofonen i bygningen tilhører paneldeltakeren som hele tiden lener seg bort fra den.
Når lyden kommer inn, trenger deltakerne et sted å lese undertekstene.
En sending er lenken deltakerne åpner. Opprett den under Broadcasts, gi den et navn, og velg lenken. Dashbordet foreslår en lenke basert på navnet; du kan redigere den, så lenge den har minst seks tegn. Samme skjerm viser QR-koden deltakerne skanner for å åpne direkteoversettelsen og velge språk.
Bestem nå om sendingen skal være offentlig eller privat. Offentlig betyr at alle med lenken kan åpne den. Privat betyr at deltakerne må skrive inn et kort passord før transkripsjonen vises. Hvis lenken må endres senere, endre den; den gamle fungerer fortsatt.
Tenk deretter på hvordan lenken når tusen lommer. Sett QR-koden på holdeskjermen før hver økt, på skiltene ved dørene og på deltakerkortet i snoren hvis det finnes ett. Hundrevis av telefoner som kobler seg på samtidig, gir reell belastning på lokalets Wi-Fi, så spør arrangøren hva tilgangspunktene er dimensjonert for, og om gjestenettet begrenser per enhet. Hvis svaret er et skuldertrekk, be deltakerne bruke mobildata. Sidene er små; det er Wi-Fi-et som er risikoen.
En konferanse med to scener trenger ikke to lenker. Én sending kan mates av flere direktetranskripsjoner samtidig. Scene A og scene B blir to transkripsjoner knyttet til samme sending, og deltakerens telefon viser begge på én side. Hver scene er sin egen direktetranskripsjon, og hvert abonnement begrenser hvor mange som kan kjøre samtidig (1 på Betal etter bruk, 5 på Premium, ubegrenset på Enterprise). Den grensen kommer tilbake i budsjettdelen nedenfor.
En lenke er bare så god som ordene bak den.
I alle systemer snubler direktegjenkjenning på navn, produktbegreper og forkortelser. Legg til hver talers manus eller lysbilder før du starter, så har navnene og begrepene i dem forrang over det motoren tror den hørte. Under foredraget følger fanen Script ordene som en teleprompter.
Dette er også øyeblikket til å være ærlig om hva maskinundertekster er. Talegjenkjenning pluss maskinoversettelse er ikke CART (Communication Access Realtime Translation, undertekster skrevet live av en utdannet menneskelig undertekstforfatter), og det er heller ikke tolking. Det er raskt, billig og utrettelig, og det vil av og til snu en negasjon, runde av et tall eller gjøre en vits om til et faktisk utsagn. For en hovedtale, en produktsesjon eller en paneldebatt er den avveiningen som regel riktig. For en økt der et feil ord får konsekvenser (juridisk, medisinsk, en avstemning), bestill en menneskelig undertekstforfatter eller tolk, og la maskinen gå sammen med dem som skriftlig dokumentasjon. Tilgjengelighetsgrunnlaget er også verdt å kjenne til: WCAG 2.x krever undertekster på direkte lyd på nivå AA (kriterium 1.2.4), og et voksende antall offentlige kontrakter og lokaler refererer ganske enkelt til det.
Med ordene på plass er den siste forberedelsen om hvem som sier dem.
Taleretiketter forteller publikum hvem som snakker. Sett bryteren til When Needed, så vises etikettene først når en andre taler er hørt. En hovedtale leses da som vanlig tekst, og en panelsamtale leses som en samtale.
For å få talere gjenkjent med navn fra første linje, registrer stemmene deres på forhånd under Voices. Et klipp av én person som snakker, er nok: MP3, M4A eller WAV, minst tretti sekunder langt, men noen minutter er bedre. Personen må ha samtykket, og Dashbordet ber deg bekrefte at du har tillatelse før den oppretter stemmen. Behandle dette som mer enn en avkrysningsboks. Etter GDPR regnes en stemmeprofil som brukes til å identifisere en person, som hovedregel som biometriske data (artikkel 9). Det betyr uttrykkelig samtykke og rett til å få stemmeprofilen slettet. Tilsvarende regler finnes andre steder, og avtaler med talerne er det enkle stedet å dekke det. En klonet stemme kan slettes når som helst. Så lenge den finnes, lar den også lyttere høre den talerens oversettelser i en tilsvarende stemme.
Med planen avgjort, er resten selve dagen.
Hver direktetranskripsjon har en fane Speed med en forsinkelsesmodus og en graf over forsinkelsen over tid. Tre innstillinger:
For en manusbasert hovedtale med en ren mikserfeed er Auto riktig. For en teknisk paneldebatt med fire aksenter og uten manus er Accuracy verdt den ekstra forsinkelsen.
Oppstart er den andre tidsfaktoren å planlegge for. På Betal etter bruk kan en kald start ta opptil 15 sekunder før transkripsjonen begynner. Premium starter vanligvis varmt, og Enterprise gjør alltid det. Trykk start under innmarsjen, ikke på første ord.
Uansett modus vil noen ord bli feil, så noen bør følge med.
Noen ved bordet bør ha fanen Fix åpen. Den har to brytere: Mark uncertain words farger og understreker ordene motoren var usikker på, og Click to correct åpner en linje til gjennomgang når du klikker på den. Fanen går deg gjennom de usikre segmentene ett for ett, og en rettelse når hver lytter på hvert språk.
Publikumsmikrofonen er det svake leddet i ethvert rom, og det er i spørsmålsrunden det viser seg. Be ordstyreren gjenta hvert spørsmål fra publikum i sin egen mikrofon før svar. Undertekstene takker dem for det, og det gjør også den bakerste raden, som heller ikke hørte det.
Mellom øktene har bordet en annen jobb.
Vertsskjermen kan pause og gjenoppta et opptak, og lytterens side viser et varsel: «Pauset. Transkripsjonen fortsetter når verten gjenopptar.» Pausen er for et skifte, ikke en lunsjpause. Hvert opptak har en maksimal pausetid, satt i Dashbordet til 30 sekunder, 1 minutt eller 3 minutter. Et opptak som står pauset lenger, avsluttes av seg selv.
For et lengre opphold, stopp opptaket og start et nytt når neste økt begynner. Hvert opptak står fortsatt oppført på sendingens side, så deltakerne kan om ettermiddagen scrolle tilbake til øktene fra formiddagen. Ett enkelt direkteopptak har en øvre grense på noen timer på Betal etter bruk og lengre på Premium (de nøyaktige tallene står på prisside), så en lang dag blir uansett flere opptak.
Midt på formiddagen, sjekk hvem som faktisk leser.
Publikumsvisningen under fanen Broadcast viser hvem som er med, hvor mange som lytter nå, hvilke språk de har åpne, og lyttere over tid. Hver transkripsjon inkluderer opptil 10 språk, og hver lytter velger ett på sin egen enhet. Visningen forteller deg derfor hvilke språk rommet faktisk leser, og det er sjelden listen arrangørene gjettet på. Deltakere registrert fra Madrid viser seg å lese engelsk; raden for portugisisk fylles opp fra en tabell ingen forventet. Ta listen med hjem til neste år.
Hver av disse lytterne er gratis. Det som koster penger, er lyden.
Direktetranskripsjon koster $0.60 per time lyd, faktureres per sekund med et minimum på 5 minutter per transkripsjon, i alle abonnement og gjennom API-et. To scener som kjører åtte timer hver, er 16 timer direkte lyd, eller $9.60. Oversettelser, sendinger, sammendrag og eksporter er inkludert, uansett hvor mange som lytter.
Abonnementet betyr noe for kapasiteten, ikke for prisen. Betal etter bruk gir $5 i engangskreditt ved registrering uten kort, én transkripsjon om gangen og et maksimalt opptak på 5 timer. En direktetranskripsjon stopper umiddelbart når kreditten når null, så fyll på før dørene åpner. Premium koster $50 i måneden ($40 i måneden på årsabonnementet) og inkluderer $50 i kreditt hver måned, som dekker 83 timer direkte. Det tillater fem samtidige transkripsjoner og 10 timers opptak, og legger til en karenstid: en direktetranskripsjon fortsetter å kjøre en stund etter null, og de ekstra minuttene faktureres til samme pris. To parallelle scener krever Premium. Enterprise har tilpasset pris, ubegrenset samtidighet, 24 timers opptak og en dedikert motorpool.
Se prisside for hele tabellen, og sjekk saldoen din under Billing i Dashbordet uken før.
Regningen stopper når lyden stopper; transkripsjonen gjør ikke det.
Transkripsjoner beholdes i 30 dager på Betal etter bruk og uten grense på Premium og Enterprise. På Betal etter bruk beholdes kildelyden bare i 7 dager. Eksporter innen uken hvis du er på gratisabonnementet.
For hvordan lenken ser ut fra deltakerens sete, se Én lenke, alle språk, eller prøv direktedemoen på forsiden.
