Napisy wygrywa się przy pulpicie mikserskim i na slajdach prelegentów. Ustaw jeden czysty sygnał z mikrofonów mowy dla każdej sceny i wczytaj każde nazwisko i akronim, zanim ktokolwiek wejdzie na scenę; reszta dnia to naprawianie tego, co te dwa punkty przeoczyły.
Większość pracy nad napisami na konferencji wykonuje się, zanim ktokolwiek wejdzie na scenę, i większość tej pracy nie polega na oprogramowaniu.
Telefon na mównicy słyszy salę; pulpit mikserski słyszy mówcę. Weź sygnał z pulpitu i określ dokładnie, który sygnał. Poproś realizatora dźwięku o osobną wysyłkę aux lub matrix, która przenosi wyłącznie mikrofony mowy: mównicy, mikrofony przypinane do klapy i mikrofony panelu. Muzyka wejściowa, odtwarzanie wideo i ścieżka oklasków mają zostać poza nią. Rozpoznawanie, które musi przebijać się przez dżingiel, z pewnością siebie zgaduje słowa piosenki.
Przetestuj tę wysyłkę podczas próby technicznej, z prawdziwymi mikrofonami i, jeśli to możliwe, prawdziwymi głośnikami. W przeciwnym razie dowiesz się o problemie o 8:55 rano w dniu wydarzenia, że wyjście matrix jest po faderze i że realizator wycisza mównicę między wystąpieniami.
Przekaż VocalStack ten sygnał na jeden z dwóch sposobów. Pierwszy to enkoder RTMP przy pulpicie. Gdy dodasz strumień RTMP jako źródło transkrypcji na żywo, panel pokazuje adres serwera i klucz strumienia, których potrzebuje enkoder, informuje, czy dźwięk już dociera i w jakim formacie, i pozwala go odsłuchać. Drugi sposób to adres strumienia. Jeśli scena już nadaje jako transmisja na żywo w YouTube lub jako strumień audio, wklej ten link, a VocalStack pobierze dźwięk sam; nic nie musisz uruchamiać po swojej stronie. Wklej adres samego strumienia, a nie stronę, na której jest odtwarzany. Jeśli przez pomyłkę wkleisz stronę internetową, panel to zgłosi.
W obu przypadkach używaj jednego sygnału mikrofonowego na scenę. Mikrofony publiczności i przesłuchy kosztują dokładność, której żadne ustawienie nie odzyska. Najlepszy mikrofon w budynku należy do panelisty, który wciąż odsuwa się od niego.
Gdy dźwięk już napływa, uczestnicy potrzebują miejsca, w którym będą czytać napisy.
Transmisja to link, który otwierają uczestnicy. Utwórz ją w sekcji Broadcasts, nadaj jej nazwę i wybierz jej link. Panel proponuje link na podstawie nazwy; możesz go edytować, o ile zawiera co najmniej sześć znaków. Ten sam ekran pokazuje kod QR, który uczestnicy skanują, aby otworzyć tłumaczenie na żywo i wybrać swój język.
Zdecyduj od razu, czy transmisja ma być publiczna, czy prywatna. Publiczna oznacza, że każdy z linkiem może ją otworzyć. Prywatna oznacza, że uczestnicy przed pojawieniem się transkrypcji wpisują krótkie hasło. Jeśli link będzie musiał się zmienić później, zmień go; stary nadal działa.
Potem pomyśl, jak link trafi do tysiąca kieszeni. Umieść kod QR na slajdzie oczekiwania przed każdą sesją, na oznakowaniu przy drzwiach i na karcie na smyczy, jeśli taka jest. Setki telefonów dołączających jednocześnie to realne obciążenie sieci Wi-Fi obiektu, więc zapytaj organizatorów miejsca, pod jakie punkty dostępowe sieć została zaprojektowana i czy sieć dla gości ogranicza przepustowość na urządzenie. Jeśli usłyszysz tylko wzruszenie ramion, poproś uczestników o korzystanie z transmisji danych w telefonie. Strony są lekkie; ryzykiem jest Wi-Fi.
Konferencja z dwiema scenami nie potrzebuje dwóch linków. Jedną transmisję może zasilać kilka transkrypcji na żywo naraz. Scena A i scena B to dwie transkrypcje podłączone do tej samej transmisji, a telefon uczestnika pokazuje obie na jednej stronie. Każda scena to osobna transkrypcja na żywo, a każdy plan ogranicza, ile ich może działać jednocześnie (1 w planie Pay as you go, 5 w Premium, bez limitu w Enterprise). Ten limit wróci w sekcji o budżecie poniżej.
Link jest tylko tak dobry, jak słowa, które za nim stoją.
W każdym systemie rozpoznawanie na żywo potyka się o nazwiska, terminy produktowe i akronimy. Dodaj scenariusz lub slajdy każdego prelegenta przed startem, a nazwiska i terminy z nich będą miały pierwszeństwo przed tym, co silnik uznał za usłyszane. Podczas wystąpienia zakładka Script podąża za słowami jak teleprompter.
To także moment, by uczciwie powiedzieć, czym jest napisy maszynowe. Rozpoznawanie mowy połączone z tłumaczeniem maszynowym to nie CART (Communication Access Realtime Translation, czyli napisy wpisywane na żywo przez przeszkolonego człowieka) i nie jest to tłumaczenie ustne. Jest szybkie, tanie i niezmordowane, ale od czasu do czasu odwróci przeczenie, zaokrągli liczbę albo przetłumaczy żart jako stwierdzenie faktu. Przy przemówieniu programowym, prezentacji produktu czy panelu ten kompromis zwykle się opłaca. Przy sesji, w której błędne słowo ma konsekwencje (prawne, medyczne, głosowanie), zarezerwuj człowieka-lektora lub tłumacza ustnego, a maszynę niech działa obok jako zapis pisemny. Warto też znać podstawę dostępności: WCAG 2.x wymaga napisów do dźwięku na żywo na poziomie AA (kryterium 1.2.4), a rosnąca liczba umów w sektorze publicznym i w obiektach po prostu się na nią powołuje.
Gdy słowa są już ustalone, ostatnie przygotowanie dotyczy tego, kto je wypowiada.
Etykiety mówców pokazują publiczności, kto mówi. Ustaw przełącznik na When Needed, a etykiety pojawią się dopiero po usłyszeniu drugiego mówcy, więc przemówienie programowe będzie czytane jak zwykły tekst, a panel jak rozmowa.
Aby mówcy byli rozpoznawani po imieniu już od pierwszej kwestii, zarejestruj ich głosy wcześniej w sekcji Voices. Wystarczy nagranie jednej osoby mówiącej: MP3, M4A lub WAV, co najmniej trzydzieści sekund, choć kilka minut to lepiej. Osoba musi wyrazić zgodę, a panel przed utworzeniem głosu poprosi cię o potwierdzenie, że masz na to pozwolenie. Traktuj to jako coś więcej niż pole do zaznaczenia. Zgodnie z RODO głos używany do identyfikacji osoby jest zazwyczaj traktowany jako dane biometryczne (art. 9). Oznacza to wyraźną zgodę oraz prawo do usunięcia odcisku głosowego. Podobne przepisy obowiązują także w innych krajach, a umowy z mówcami to łatwe miejsce, by to uregulować. Sklonowany głos można usunąć w dowolnej chwili. Dopóki istnieje, pozwala też słuchaczom usłyszeć tłumaczenia danego mówcy w dopasowanym głosie.
Gdy plan jest już ustalony, reszta to sam dzień wydarzenia.
Każda transkrypcja na żywo ma kartę Speed z trybem opóźnienia i wykresem opóźnienia w czasie. Trzy ustawienia:
Przy przemówieniu programowym z czystym sygnałem z pulpitu wybierz Auto; przy panelu technicznym z czterema akcentami i bez scenariusza warto zapłacić dodatkowym opóźnieniem za Accuracy.
Uruchomienie to drugi czas, który trzeba zaplanować. W planie Pay as you go zimny start może potrwać nawet 15 sekund, zanim rozpocznie się transkrypcja. Premium zwykle startuje ciepło, a Enterprise zawsze. Uruchom transkrypcję podczas wejścia uczestników, a nie przy pierwszym słowie.
Niezależnie od trybu część słów będzie błędna, więc ktoś powinien czuwać.
Ktoś przy stanowisku powinien mieć otwartą zakładkę Fix. Ma dwa przełączniki: Mark uncertain words koloruje i podkreśla słowa, co do których silnik miał wątpliwości, a Click to correct otwiera wiersz do przeglądu po kliknięciu. Zakładka prowadzi cię przez niepewne fragmenty jeden po drugim, a poprawka trafia do każdego słuchacza we wszystkich językach.
Mikrofon publiczności to najsłabsze ogniwo każdej sali, a pytania z sali to miejsce, w którym to widać. Poproś moderatora, by przed odpowiedzią powtórzył każde pytanie z sali do swojego mikrofonu. Napisy mu podziękują, a także rząd z tyłu, który też nie słyszał.
Między sesjami stanowisko ma inne zadanie.
Ekran gospodarza pozwala wstrzymać i wznowić nagranie, a strona słuchacza pokazuje komunikat: „Wstrzymano. Transkrypcja wznowi się, gdy gospodarz wznowi nagranie.” Pauza służy do zmiany prowadzącego, a nie do przerwy na lunch. Każde nagranie ma maksymalny czas pauzy, ustawiany w panelu na 30 sekund, 1 minutę lub 3 minuty; nagranie wstrzymane na dłużej kończy się samo.
Przy dłuższej przerwie zatrzymaj nagranie i rozpocznij nowe, gdy zacznie się kolejna sesja. Każde nagranie pozostaje wymienione na stronie transmisji, więc po południu uczestnicy mogą przewinąć do porannych sesji. Pojedyncze nagranie na żywo ma limit kilku godzin w planie Pay as you go i dłuższy w Premium (dokładne wartości są na stronie z cennikiem), więc długi dzień to i tak kilka nagrań.
W połowie poranka sprawdź, kto faktycznie czyta.
Widok publiczności w zakładce Broadcast pokazuje, kto jest w środku, ilu słucha w tej chwili, jakie języki mają otwarte i liczbę słuchaczy w czasie. Każda transkrypcja obejmuje do 10 języków, a każdy słuchacz wybiera jeden na swoim urządzeniu. Widok pokazuje więc, które języki sala naprawdę czyta, co rzadko zgadza się z listą, którą zgadywali organizatorzy. Delegaci zarejestrowani z Madrytu okazują się czytać po angielsku, a wiersz portugalskiego zapełnia się z tabeli, której nikt się nie spodziewał. Zapisz tę listę na przyszły rok.
Każdy z tych słuchaczy jest bezpłatny. Płaci się za dźwięk.
Transkrypcja na żywo kosztuje $0.60 za godzinę dźwięku, rozliczana co sekundę, z minimum 5 minut na transkrypcję, we wszystkich planach i przez API. Dwie sceny działające po osiem godzin to 16 godzin dźwięku na żywo, czyli $9.60. Tłumaczenia, transmisja, podsumowania i eksporty są wliczone, bez względu na liczbę słuchaczy.
O pojemności, a nie stawce, decyduje plan. Pay as you go daje $5 jednorazowego kredytu startowego bez karty, jedną transkrypcję naraz i maksymalne nagranie 5-godzinne. Transkrypcja na żywo zatrzymuje się od razu, gdy kredyt spadnie do zera, więc doładuj przed otwarciem drzwi. Premium kosztuje $50 miesięcznie ($40 miesięcznie w planie rocznym) i zawiera co miesiąc $50 kredytu, co wystarcza na 83 godziny na żywo. Pozwala na pięć jednoczesnych transkrypcji i nagrania po 10 godzin oraz dodaje okres karencji: transkrypcja na żywo działa jeszcze przez chwilę po wyczerpaniu kredytu, a dodatkowe minuty są rozliczane w tej samej stawce. Dwie równoległe sceny wymagają planu Premium. Enterprise ma wycenę indywidualną, nieograniczoną liczbę jednoczesnych transkrypcji, nagrania po 24 godziny i dedykowaną pulę silników.
Pełną tabelę znajdziesz na stronie z cennikiem, a saldo sprawdź w sekcji Billing w panelu tydzień przed wydarzeniem.
Rachunek zatrzymuje się, gdy zatrzymuje się dźwięk; transkrypcja nie.
Transkrypcje są przechowywane przez 30 dni w planie Pay as you go i bez limitu w Premium i Enterprise. W planie Pay as you go dźwięk źródłowy jest przechowywany tylko przez 7 dni. Jeśli korzystasz z planu bezpłatnego, wyeksportuj dane w ciągu tygodnia.
Jak link wygląda z perspektywy uczestnika, zobacz w artykule Jeden link, każdy język, lub wypróbuj wersję demonstracyjną na żywo na stronie głównej.
