Et flerspråklig rom trenger ikke en kabin per språk. Det trenger én ren lydfeed fra bordet, én lenke som publikum åpner på egne telefoner, og en måte å rette et feilhørt navn på mens foredraget fortsatt pågår.
Et foredrag, en gudstjeneste, en forelesning eller et kommunestyremøte har én person som snakker, og et publikum der ikke alle tenker på det språket. De vanlige løsningene er dyre, delvise eller private.
Det dyre svaret er en tolk for hvert språk. Selv med én tolk per språk er det en kabin, et sett med mottakere og en spesialist for hvert språk i rommet, og spesialistene sier ikke det samme. Hver tolk tar egne valg under tidspress: hvilket ord som brukes for et begrep, hva som komprimeres, hva som utelates når taleren øker tempoet. På et vanlig foredrag betyr forskjellene nesten ingenting. På en rettssak, en kommunal avstemning eller en teknisk orientering gjør de det: et definert begrep, en dosering eller en klausul kan nå de franskspråklige lytterne med én betydning og de arabiskspråklige med en annen, og ingen i rommet er i stand til å legge merke til det. Det delvise svaret er en undertekstfeed på én skjerm, på bare ett andrespråk. Det private svaret er femti telefoner holdt opp mot rommet: femti litt feile transkripsjoner, der hver telefon hører ekkoet og hosten like tydelig som taleren.
Alternativet er å transkribere taleren én gang, fra en ren kilde, og oversette den ene transkripsjonen til det publikummet trenger. Da starter alle språk fra de samme ordene, og hver lytter kan velge på egen enhet. Opptaket beholdes når arrangementet er over. Her er hvordan verten og lytteren setter det opp, og hva det koster.
En direktetranskripsjon kan lytte til en mikrofon på en hvilken som helst enhet, en RTMP-strøm fra OBS eller en annen koder som tar en server-URL og en strømnøkkel, en YouTube-direktesending, en internettradiostasjon eller en hvilken som helst URL som leverer en strøm. For en strøm henter VocalStack lyden selv; det kjører ingenting på din side.
Kilden betyr mer enn noen innstilling. En romsmikrofon, eller en telefon på et bord, hører taleren pluss rommet: etterklang fra veggene, stoler, publikum. Talegjenkjenning blir kraftig dårligere når stemmen blir svakere i forhold til den støyen, og derfor er de femti telefonene uenige med hverandre. En feed fra miksepulten bærer taleres egen mikrofon med lite av rommet i seg, så transkripsjonen følger taleren, ikke rommet. Hvis stedet har en miksepult, ta feeden derfra.
Det talte språket oppdages automatisk, og taleren kan bytte når som helst. Å nevne språket på forhånd hjelper på støyende opptak og sterk aksent. Taleretiketter kan være av, på eller When Needed, som slår dem på når en andre taler høres. Når lyden kommer inn, må publikum finne frem til den.
En sending er lenken: én adresse og en QR-kode som lyttere skanner for å åpne den direkte oversettelsen og velge språk. Lenken lages av navnet du gir sendingen. Gir du den nytt navn senere, fungerer den gamle lenken fortsatt, slik at en QR-kode trykt på et program ikke blir foreldet.
En sending er offentlig som standard: alle med lenken kan åpne den. Gjør den privat og sett et passord, så blir lyttere bedt om det før transkripsjonen vises.
Én sending kan mates av flere direktetranskripsjoner, slik at en konferanse med to scener deler én lenke. Lenken får folk inn; det som holder dem der, er at navnene blir riktige.
Talegjenkjennere er trent på hvordan folk vanligvis snakker, så når en lyd er tvetydig, tar de det vanlige ordet. Et produktnavn, et etternavn, en landsby, et kjemisk stoff: hver har et hyppigere nesten-homofon, og det er det som kommer ut, med mindre gjenkjenneren får beskjed om at det sjeldne ordet kommer. Det er det et manus er til for. Legg til et manus eller lysbilder før du starter, så vinner navnene og begrepene i dem over det som ble hørt feil. Det er der gjenkjenningen vanligvis svikter på et spesialistforedrag. Under opptaket følger fanen Script med som en teleprompter og lyser opp ordene som er sagt så langt.
Det er hele oppsettet. På den andre siden av lenken er det enda mindre å gjøre.
En lytter trenger en lenke eller en QR-kode, og en telefon. De åpner lenken i en nettleser og ser The broadcast hasn't started yet til verten trykker på opptak, deretter Live. The first line appears in a moment. De velger blant språkene verten har valgt (opptil 10 per transkripsjon, av 100 tilgjengelige) og leser transkripsjonen mens taleren snakker. Verten fortsetter å snakke på sitt eget språk. En lytter kan bytte språk når som helst; transkripsjonen så langt vises igjen på det nye språket.
Hvis en lytter foretrekker å lytte, leses hver oversatte linje høyt. Som standard får hver taler en egen standardstemme av samme kjønn, slik at et panel fortsatt høres ut som et panel.
De tre trinnene skjer i rekkefølge, og hvert venter på det forrige. Gjenkjenning trenger en strekning med tale før den kan bestemme ordene, så transkripsjonen henger etter taleren med en brøkdel av et sekund. Oversettelse trenger en hel frase, fordi ordstillingen er forskjellig mellom språk, og slutten av en setning kan endre begynnelsen, så den følger et sekund eller to senere. Tale trenger den oversatte setningen før den kan starte, så en talt linje kommer sist. Ingenting av dette er en feil som skal justeres bort; det er det ethvert system som gjør disse tre tingene må gjøre, inkludert en menneskelig tolk, som også venter på verbet.
Med taleres samtykke kan verten klone taleren stemme fra tretti sekunder av at vedkommende snakker alene (en MP3, M4A eller WAV; noen minutter er bedre). Oversettelsen leses så med taleres egen stemme på alle språk. Behandle en stemme som den biometriske dataen den er. Etter GDPR faller stemmedata som behandles for å gjenkjenne en person, i alminnelighet under de særlige kategoriene i artikkel 9, og noen amerikanske delstater, blant dem Illinois, regulerer stemmeavtrykk separat. Innhent taleres uttrykkelige samtykke før prøven tas opp, ikke etterpå; stemmen kan slettes når som helst. Kloning registrerer også taleren, så vedkommende merkes med navn i fremtidige opptak. Verten kan tildele en stemme til hver taler, eller dempe en.
En lytter som kommer sent, ser alt som er sagt før de kom inn, og følger deretter direkte. Hvis tilkoblingen brytes, tar siden seg igjen av seg selv når tilkoblingen er tilbake. Når verten setter på pause, ser lyttere Paused. The transcript continues when the host resumes. Når verten stopper, viser siden opptakets dato og lengde, og sendingen lister opp tidligere opptak for avspilling.
En lytter kan bare lese det motoren hørte, og direktegjenkjenning får noe av det galt.
Vertsskjermen har en Fix-fane til nettopp det. Mark uncertain words farger og understreker ordene motoren var usikker på; Click to correct åpner en linje for gjennomgang. Fanen går gjennom usikre segmenter ett om gangen, slik at en annen person ved bordet kan jobbe seg gjennom dem mens taleren fortsetter.
Når en vert skriver om et ord eller en linje, selv en som fortsatt blir sagt, ser hver lytter rettelsen. En linje der sikkerheten er for lav, skjules for lyttere som Audio unclear i stedet for å vises feil; verten ser fortsatt hvert ord. Et tomt felt er et kjent hull; et sikkert, feil ord er et rykte.
Disse rettelsene forsvinner ikke når foredraget er over.
Alt beholdes. Opptaket, transkripsjonen med rettelser og oversettelser, og lyden havner i vertens bibliotek. Avspilling spiller den av nøyaktig slik den kom inn, linje for linje, med lyden. Når ordene er endelige, skrives en tittel og et sammendrag på alle språk, og fanene Summary og Export på vertsskjermen tar dem rett ut av arrangementet.
Eksporter er SRT-undertekster, PDF, Excel eller JSON, med rettelser og oversettelser inkludert, og lyden lastes ned som MP3. Hver transkripsjon kan søkes i på ethvert språk.
Fanen Audience viser hvem som lyttet, på hvilket språk, og når de ble med: ofte den første reelle tellingen en arrangør får av hvem som trengte hvilket språk. Frem til da var det vanlige anslaget hvem som rakte opp hånden når de ble spurt, på engelsk, om de trengte oversettelse. Lytteridentifikatorer slettes sammen med opptaket.
Talegjenkjenning, talergjenkjenning og stemmesyntese kjøres på servere vi drifter, og lyden din sendes ikke til noen tredjepart for behandling. Vi bruker ikke lyden, transkripsjonene eller stemmene dine til å trene modeller.
Oppbevaring følger abonnementet: på Betal etter bruk beholdes kildelyd og stemmer i 7 dager og transkripsjoner i 30 dager; Premium og Enterprise beholder dem så lenge kontoen består. Det andre et abonnement bestemmer, er regningen.
To tall betyr noe. På Betal etter bruk og Premium koster direktetranskripsjon $0.60 per time lyd, faktureres per sekund med et minimum på 5 minutter per transkripsjon, både i dashbordet og gjennom API-et. Enterprise har volumpriser. Lyttere og språk er gratis: et ett-timers arrangement lest på fem språk av to hundre personer koster $0.60. Filer er billigere ($0.20 per time) fordi en direktetranskripsjon kjører i sanntid for hele arrangementet. Abonnementene skiller seg i samtidighet, maksimal lengde på opptak og oppstartshastighet. På Betal etter bruk kan en kald start ta opptil 15 sekunder, så trykk på opptak litt før taleren begynner, omtrent ett «Kan alle bakerst høre meg?» før. Hele tabellen står på prissiden.
Startsiden har en demo med to telefoner, og en ny konto i dashbordet får en registreringskreditt på $5 og trenger ikke kort. Til direktesatsen dekker den kreditten mer enn åtte timers sending.
Vurderer du mellom dette og direktoversettelsen som er innebygd i alles telefon? Les hvorfor en telefon ikke er nok for et rom. For et helt arrangement dekker sjekklisten for flerspråklige konferanser lydveien, flere scener på én lenke og budsjettet. Utviklere kan gjøre alt dette fra kode gjennom API-referansen, til samme pris.
