Mowa bez komplikacji

Najczęściej zadawane pytania

Mój telefon ma wbudowane tłumaczenie na żywo — po co mi VocalStack?

Telefon korzysta z małego modelu mowy, który musi zmieścić się w urządzeniu i oszczędzać baterię. Wystarcza to do krótkich, wyraźnych, codziennych zdań. Nie wystarcza do tego, co w prawdziwej mowie naprawdę sprawia kłopot: rzadkich słów i nazw, słów brzmiących podobnie („może” i „morze”, „kod” i „kot”), terminów technicznych, akcentów, ludzi mówiących jednocześnie i hałasu w tle. Model zgaduje, tłumaczenie powstaje na podstawie tego zgadywania, a nikt na sali nie widzi, że coś poszło nie tak.

VocalStack działa na serwerach, więc modele są pełnowymiarowe, a każda wypowiedź po rozpoznaniu jest sprawdzana w kontekście. Prześlij najpierw skrypt lub slajdy, a nazwy i terminy z nich wygrają z tym, co zostało źle usłyszane. Jeśli coś mimo to wyjdzie źle, możesz poprawić wypowiedź na żywo, a każdy słuchacz zobaczy poprawkę.

Telefon słyszy też salę, a nie mówcę, i tłumaczy dla jednej osoby, więc pięćdziesiąt telefonów daje pięćdziesiąt różnych transkrypcji. VocalStack pobiera dźwięk prosto z miksera, strumienia lub mikrofonu, transkrybuje mówcę raz, a każdy czyta lub słucha tego samego w swoim języku. Tłumaczenie jest czytane własnym głosem mówcy, więc słuchacze słyszą osobę na scenie, a nie bezosobowy głos robota.

Czy płacę za każdego słuchacza? Jak działa cennik?

Nie. Słuchacze są bezpłatni, niezależnie od ich liczby i języka, w którym czytają lub słuchają. Płacisz za transkrybowany dźwięk, za każdą sekundę, minimum 5 minut na transkrypcję, i to cały rachunek: tłumaczenie na maksymalnie 10 języków, tłumaczenia mówione, transmisje, podsumowania i eksport są wliczone.

Zobacz cennik i plany

Pliki i transkrypcje na żywo mają różne stawki, takie same w każdym planie, a plan Premium obejmuje $50 środków co miesiąc. Każdy plan ma te same funkcje, a API jest rozliczane według tej samej stawki co panel.

Czego potrzebują słuchacze, aby śledzić wypowiedź?

Linku lub kodu QR i telefonu. Nie trzeba niczego instalować ani zakładać konta. Słuchacz otwiera link w przeglądarce, wybiera język i czyta transkrypcję w trakcie wypowiedzi. Jeśli woli słuchać, każda przetłumaczona wypowiedź jest też czytana na głos. Język można zmienić w dowolnej chwili — dotychczasowa transkrypcja wyświetli się w nowym.

Słuchacz, który dołączy później, widzi wszystko, co powiedziano przed jego przybyciem, a potem śledzi na żywo. Jeśli połączenie zostanie przerwane, strona sama nadrobi zaległości po jego powrocie.

Czy dźwięk musi pochodzić z mikrofonu?

Nie. Transkrypcja na żywo może korzystać z mikrofonu na dowolnym urządzeniu, sygnału RTMP z OBS lub enkodera transmisji, transmisji YouTube na żywo, internetowej stacji radiowej lub dowolnego adresu URL ze strumieniem. W przypadku strumienia VocalStack sam pobiera dźwięk — po Twojej stronie nic nie musi działać.

Jeden link transmisji może być zasilany przez kilka transkrypcji, więc konferencja z dwiema scenami albo stacja ze strumieniem radiowym i transmisją na YouTube nadal ma jeden wspólny link.

Czy mogę kontrolować, kto widzi transkrypcję?

Tak. Transmisja jest domyślnie publiczna: każdy, kto ma link, może ją śledzić. Ustaw ją jako prywatną i dodaj hasło, a wejdą tylko osoby, którym przekażesz oba. Zmień później nazwę linku, a stary nadal będzie działać. Możesz też zobaczyć, kto słucha, w jakim języku i kiedy dołączył.

Czy słuchacz słyszy prawdziwego mówcę, czy syntetyczny głos?

Jedno i drugie. Domyślnie każdy mówca dostaje inny głos standardowy pasującej płci, aby panel nadal brzmiał jak panel. Za zgodą mówcy możesz sklonować jego głos z trzydziestu sekund nagrania, a tłumaczenie będzie wtedy czytane jego własnym głosem w każdym języku. Sklonowany głos oznacza też, że mówca będzie rozpoznawany i oznaczany z imienia w przyszłych nagraniach. Możesz przypisać głos każdemu mówcy albo któregoś wyciszyć.

Co zostaje po wydarzeniu?

Wszystko. Nagranie, jego transkrypcja z poprawkami i tłumaczeniami oraz dźwięk są przechowywane w Twojej bibliotece. Tytuł i podsumowanie powstają, gdy słowa są już ostateczne — w każdym języku. Możesz odtworzyć nagranie dokładnie tak, jak powstawało, przeszukiwać wszystkie transkrypcje w swoim języku i eksportować je jako napisy SRT, PDF, Excel lub JSON.

Czy mogę wbudować to we własny produkt?

Tak. Wszystko, co robi panel, jest dostępne przez API według tej samej stawki: transkrypcja w czasie rzeczywistym przez WebSocket, transkrypcje na żywo z transmisjami, tłumaczenie i tłumaczenia mówione, zadania dla plików i linków oraz serwer MCP. Oficjalne SDK dla TypeScript i Python są w zestawie. Słuchacze mogą subskrybować nagranie z Twojej aplikacji za pomocą kodu udostępniania, bez klucza API.