Sanntidstranskripsjon og -oversettelse forklart: hvordan direkte tale til tekst fungerer, hvor langt etter den ligger, hva som påvirker nøyaktigheten og prisen.
Sanntidstranskripsjon gjør tale om til tekst mens personen fortsatt snakker. Ordene dukker opp på skjermen et øyeblikk etter at de er sagt, setter seg i endelige linjer og kan leses av alle som følger med. Legg til sanntidsoversettelse, så kan hver leser følge den samme talen på sitt eget språk, som tekst eller opplest.
Denne guiden dekker sanntidstranskripsjon og -oversettelse fra begge sider: hva en lytter ser, hvor lyden kan komme fra, hva som avgjør nøyaktigheten, hva utviklere får fra et API og hva det koster.
Sanntidstranskripsjon, også kalt direkte transkripsjon eller direkte tale til tekst, er talegjenkjenning som kjører mens lyden fortsatt kommer inn. En innspilt fil kan transkriberes med hele opptaket for hånden. En direkte transkripsjon må forplikte seg til ord med bare de siste sekundene å gå på, og holde følge med taleren så lenge vedkommende snakker.
Direkte teksting er det samme, vist som korte linjer over en video eller på en skjerm.
På VocalStack kan en direkte transkripsjon lytte på 100 språk. Den oppdager det talte språket selv og følger taleren hvis vedkommende bytter, noe hvordan automatisk språkgjenkjenning fungerer forklarer, sammen med når du bør oppgi språket på forhånd.
Teksten kommer i to trinn. De nyeste ordene vises først som et utkast, som fortsatt kan endre seg etter hvert som mer lyd kommer inn. Et øyeblikk senere setter utkastet seg til en endelig linje som ikke endres igjen.
Utkastet finnes fordi en gjenkjenner avgjør et ord delvis ut fra det som følger etter. «Ice cream» og «I scream» høres likt ut til neste ord kommer. Å vise gjetningen tidlig er det som får en transkripsjon til å føles direkte.
Hvor langt etter taleren teksten ligger, avhenger av trinnet:
To forsinkelser ligger utenfor den kjeden. Når kilden er en offentlig strøm i stedet for en mikrofon, ligger strømmen selv allerede etter sin direktekant: et sekund eller tre for en vanlig internettradiostrøm, og alt fra flere sekunder til et halvt minutt for HLS. Og på Betal etter bruk kan en direkte transkripsjon bruke opptil 15 sekunder på å starte. Den fulle oversikten, inkludert latensmodusene Auto, Fast og Accuracy, finnes i forsinkelse i direkte oversettelse, forklart.
Oversettelse kjører oppå transkripsjonen. En direkte transkripsjon kan oversettes til opptil 10 språk samtidig, valgt blant 100. Hver lytter velger ett av dem på sin egen enhet og kan bytte når som helst; transkripsjonen så langt vises på nytt på det nye språket.
Alle språk oversettes fra den samme transkripsjonen, så hver lytter får de samme ordene, og en rettelse når dem alle.
En lytter som heller vil lytte enn lese, kan få hver oversatte linje lest opp. Som standard får hver taler en egen standardstemme som passer med kjønnet, så et panel høres fortsatt ut som flere personer. Med en talers samtykke kan en vert klone stemmen fra rundt 30 sekunder der vedkommende snakker alene, og oversettelsen leses da med talerens egen stemme.
Regelen for stemmer er smal med vilje. En stemme leser bare det samme mennesket sa, oversatt til et språk lytteren valgte. Den leser aldri tekst noen skriver inn, og den leser aldri én talers ord med en annens stemme.
Hvordan dette fungerer for et helt rom, fra vertens oppsett til en som kommer sent, står i én lenke, alle språk.
En direkte transkripsjon trenger en lydkilde. Dette er de VocalStack tar i dag:
Teksting inne i YouTubes egen spiller, gjennom CC-knappen, er snart tilgjengelig. Inntil da følger seere av en YouTube-strøm tekstingen på sendingslenken.
Hvis du trenger direkte transkripsjon på Windows i dag, fungerer Chrome- eller Edge-utvidelsen, OBS-programtillegget og dashbordet i en nettleser der.
En sending er måten andre følger en direkte transkripsjon på. Det er én lenke og en QR-kode. Lyttere åpner den i en nettleser, velger et språk og leser med. De trenger ingen konto, installerer ingenting og koster ingenting: regningen endres ikke med antall lyttere eller språk.
En sending er offentlig som standard og kan beskyttes med et passord. Hvis du gir lenken nytt navn, fortsetter den gamle å virke, så en QR-kode trykt i et program blir ikke utdatert. Én sending kan bære flere direkte transkripsjoner, så to scener kan dele én lenke.
En lytter som kommer sent, ser alt som ble sagt før vedkommende kom inn, og følger så direkte. Etterpå viser Audience-visningen hvem som lyttet, på hvilket språk og når de ble med.
For arrangementer dekker sjekklisten for flerspråklige konferanser lyd, scener og budsjett, og direkte transkripsjon for kirker, forelesningssaler og kommunestyresaler dekker den ukentlige versjonen av det samme oppsettet.
Alt ovenfor kan gjøres fra kode. For direkte lyd i din egen app har API-et sanntidsøkter: serveren din gjør ett kall til POST /v1/realtime/sessions med en API-nøkkel og får tilbake en kortlevd streamUrl. Klienten din åpner en WebSocket til den, sender rå lyd etter hvert som den fanges, og leser transkripsjonen tilbake som JSON-rammer.
Rammene følger de samme to trinnene en leser ser. En transcript.draft erstatter den direkte halen, en transcript.committed legger til en endelig linje, og med oversettelse på kommer hele setninger med oversettelsene sine vedlagt. Målspråk, taleretiketter og latensmodus kan endres underveis i økten med session.update.
En sanntidsøkt lagrer ingenting. Når du vil at ordene skal beholdes, rettes og deles med et publikum, publiserer du i stedet lyden til en direkte transkripsjon og en sending. Offisielle SDK-er for TypeScript, Python og PHP pakker inn begge, og en MCP-server lar en KI-assistent bruke den samme kontoen.
WebSocket-veiledningen bygger en fungerende tekstingsvisning steg for steg, og API-referansen har hvert felt. API-bruk faktureres til samme sats som dashbordet.
Nøyaktigheten avgjøres mest før noen gjenkjenner kjører, av lyden den får. Fire ting gjør størst forskjell.
Mikrofonen. En mikrofon nær taleren, eller en feed fra lokalets miksepult, bærer stemmen med lite av rommet i seg. En telefon på et bord hører taleren pluss ekko, stoler og hosting. Dette er den største enkeltfaktoren, og hvorfor en telefon ikke er nok for et rom forklarer hvorfor.
Støy og overlapp. Bakgrunnsstøy gir tapte og oppdiktede ord, og to personer som snakker samtidig forvirrer både ordene og hvem som sa dem. Feil i lydtranskripsjon lister sju vanlige årsaker, hvordan hver ser ut og hvordan den rettes.
Et referansemanus. Velkjente navn og begreper gjenkjennes som de er. Et selskaps produktnavn, en intern forkortelse eller en gjests uvanlige etternavn kan ikke kjennes på forhånd, så legg til et manus eller lysbilder før du starter, så skrives navnene og begrepene i dem nøyaktig slik du stavet dem.
Taleretiketter. Etikettene kan være Off, On eller When Needed, som slår dem på når en andre taler høres. Talerdiarisering mot talegjenkjenning forklarer hvordan de to svarene, hva som ble sagt og hvem som sa det, er adskilte og rettes hver for seg.
Latensmodusen betyr også noe: Fast får teksten ut tidligere, men reviderer mer av den, Accuracy venter litt lenger.
Et enkelt nøyaktighetstall sier mindre enn det ser ut til. Ordfeilrate teller et feil navn likt med et utelatt «the», og derfor argumenterer hva ordfeilrate måler, og hva den overser for å bedømme et system etter hvilke feil det lar deg fange og rette.
Ingen direkte transkripsjon er perfekt, så vertsskjermen har en Fix-fane. Den kan merke ordene gjenkjenneren var usikker på, og enhver linje kan åpnes og rettes. En annen person ved bordet kan gå gjennom dem mens taleren fortsetter.
Når verten skriver om et ord eller en linje, selv en som fortsatt blir sagt, ser hver lytter rettelsen, på alle språk. En linje som er hørt med for lav sikkerhet, skjules for lyttere som «Audio unclear» i stedet for å vises feil; verten ser den fortsatt.
Opptaket beholdes med transkripsjonen, rettelsene og oversettelsene. Etterpå kan du:
Hvor lenge lyd og transkripsjoner beholdes, avhenger av abonnementet, og prissiden lister det.
De fleste verktøy for direkte transkripsjon ser like ut i en demo; forskjellene viser seg i spørsmålene nedenfor. Høyre kolonne beskriver VocalStack slik det er i dag.
| Spørsmål | Hvorfor det betyr noe | VocalStack |
|---|---|---|
| Hvilke språk kan den høre? | Et verktøy som ikke kan transkribere talerens språk, kan ikke hjelpe, uansett hvor god oversettelsen er. | 100 språk, oppdaget automatisk, med bytte midt i foredraget |
| Hvor langt etter taleren ligger teksten? | Lesere merker et voksende gap mer enn et og annet feil ord. | Originaltekst en brøkdel av et sekund bak, oversettelse et sekund eller to senere; tre latensmodi |
| Oversetter den, og hvem velger språket? | Ett undertekstspråk på én skjerm utelater alle andre. | Opptil 10 språk per transkripsjon, hver lytter velger sitt |
| Kan den si oversettelsen høyt? | Noen lyttere kan ikke lese med, eller vil helst ikke. | Standardstemmer som utgangspunkt; talerens egen klonede stemme med samtykke |
| Hvordan når den publikum? | Apper og kontoer mister folk i døra. | Én lenke og QR-kode, ingen konto, valgfritt passord |
| Kan du rette feil direkte? | Et feilhørt navn gjentatt i en time gjør reell skade. | Direkte rettelser sendt til hver lytter |
| Hvor kan lyden komme fra? | Oppsettet ditt bør ikke måtte endres for å passe verktøyet. | Mikrofon, nettleserutvidelser, skrivebordsapp, OBS, RTMP, strømlenker |
| Finnes det et API? | Du vil kanskje ha teksting inne i ditt eget produkt. | REST- og WebSocket-API, SDK-er, MCP-server, samme sats som dashbordet |
| Hvordan prises det? | Pris per lytter eller per sete vokser med publikummet ditt. | Per sekund lyd; lyttere og språk gratis |
På VocalStack betaler du per sekund transkribert lyd. I skrivende stund koster direkte transkripsjon $0.60 i timen og filer $0.20 i timen, på alle abonnement, i dashbordet og gjennom API-et likt. Oversettelse, stemmer, sammendrag, sending og lyttere legger aldri noe til regningen, så et foredrag på en time lest av 200 personer på fem språk koster de samme $0.60 som et lest av ingen.
Abonnementene skiller seg på noen punkter:
Hvis ingen trenger å lese med mens det skjer, last opp opptaket etterpå til filsatsen. Gjeldende priser, oppbevaring og grenser for hvert abonnement står på prissiden.
En ny VocalStack-konto kommer med $5 i registreringskreditt og trenger ikke kort. Til $0.60 i timen er det omtrent åtte timer med direkte transkripsjon, med oversettelse og sending inkludert. Etter det betaler du per sekund. Lyttere er alltid gratis.
Ja. En direkte transkripsjon kan oversettes til opptil 10 språk samtidig mens personen snakker. Oversettelsen vises et sekund eller to etter originalteksten, og hver lytter velger sitt eget språk.
Det avhenger mest av lyden. En nær mikrofon eller en feed fra lydbordet, lite bakgrunnsstøy, én som snakker om gangen og et referansemanus med navnene i gir de beste resultatene. Direkte rettelser lar en vert fikse det som fortsatt er feil mens foredraget pågår.
Teksten på originalspråket ligger etter taleren med en brøkdel av et sekund, og oversettelser følger et sekund eller to senere. En offentlig strøm legger til sin egen forsinkelse før lyden når VocalStack.
Ja, gjennom Chrome- eller Edge-utvidelsen, OBS Studio-programtillegget eller dashbordet i en nettleser. Skrivebordsappen finnes på macOS i dag, med Windows på vei.
Nei. Lyttere åpner sendingslenken eller skanner QR-koden i en nettleser, velger et språk og leser. Det er ingenting å installere.
Åpne dashbordet, start en direkte transkripsjon fra mikrofonen din og åpne sendingslenken på telefonen. Registreringskreditten dekker de første timene dine, og du kan selv se utkastene sette seg og oversettelsen følge etter.