As palavras que um reconhecedor erra num culto ou numa reunião da câmara são justamente as que já estão no papel. Entregue a pauta, pegue o áudio da mesa de som e não da sala, e um evento semanal custa menos que o café depois.
Um culto de domingo, uma palestra de terça-feira e uma reunião mensal da câmara têm mais em comum do que parece. Cada um acontece de novo e de novo na mesma sala, cada um é conduzido por um voluntário ou um escrivão, e não por uma empresa de AV, e cada um atende pessoas que acompanhariam melhor em outro idioma, pessoas que não ouvem bem e pessoas que não poderiam estar presentes. O orçamento é pequeno e as pessoas que cuidam dele mudam. Quem montou tudo no ano passado geralmente já passou para a escala das flores.
Este artigo explica como configurar o VocalStack uma única vez para uma sala assim, para que cada semana seguinte seja só questão de apertar iniciar. Ele também cobre o punhado de coisas que decidem se as palavras na tela estão certas. Para a versão pontual, uma conferência com vários palcos, veja Como realizar uma conferência multilíngue com legendas ao vivo. Comece pelo que você vai imprimir.
Uma transmissão é um link público e um QR code. Qualquer pessoa pode abrir o link no navegador, escolher um idioma e acompanhar enquanto o orador fala. Não há nada para instalar nem conta para criar. Uma transmissão pode receber quantas transcrições ao vivo você quiser, então a gravação deste domingo e a do próximo aparecem no mesmo endereço.
Imprima o QR code uma vez e coloque-o no quadro de avisos, na ordem do culto, nos slides da palestra ou na parede da galeria pública. Os ouvintes escaneiam o código para abrir a tradução ao vivo e escolher o idioma. Se você um dia trocar o link, o antigo continua abrindo a mesma transmissão, então os panfletos do ano passado ainda funcionam.
Um ouvinte que abre o link cedo vê que a transmissão ainda não começou. Quem chega atrasado vê tudo o que foi dito antes da sua chegada e depois acompanha ao vivo. Quem tem a conexão interrompida recupera o conteúdo sozinho.
Uma transmissão é pública por padrão, o que é adequado para um culto ou uma sessão da câmara e inadequado para uma reunião fechada ou um seminário. Para esses casos, mude-a para privada e defina uma senha: só quem tiver a senha consegue abrir o link, e ela é pedida antes de a transcrição aparecer. Em qualquer caso, informe em algum lugar visível que o ambiente está sendo transcrito e para onde o texto vai. As pessoas que rezam em voz alta ou que falam por três minutos no momento de manifestação do público não necessariamente vieram esperando uma transcrição. Uma linha avisando isso na ordem do culto ou na pauta não custa nada. Crie a transmissão em {{app}}/broadcasts/new.
Um link é só metade do trabalho; alguma coisa precisa colocar palavras nele.
Antes de qualquer software, o áudio. Salas construídas para congregações e câmaras são construídas para a reverberação: pedra, teto alto, bancos de madeira. Um celular ou notebook sobre o púlpito ouve o orador uma vez diretamente e depois várias outras vezes refletido nas paredes. Distância somada a eco é a maior causa isolada de erros de reconhecimento, muito à frente do sotaque. Se a sala tiver uma mesa de som, pegue o sinal dali (uma saída aux ou de gravação), para que o reconhecedor ouça o que os microfones captam. Quem se movimenta, como o pregador que deixa o púlpito ou o professor na lousa, deve usar um microfone de lapela ou de headset, em vez de depender de um microfone de pedestal. Resolva isso e a maior parte do restante é ajuste fino.
A maioria das igrejas, universidades e câmaras já envia esse áudio da mesa para algum lugar, e uma transcrição ao vivo pode partir daí, em vez de depender de um dispositivo na sala.
Para um fluxo, o VocalStack puxa o áudio por conta própria; nada precisa rodar do seu lado. O endereço precisa ser acessível pela internet. Um fluxo que existe apenas na sua rede interna precisa ser gravado por um dispositivo na sala. Inicie uma transcrição ao vivo em {{app}}/transcriptions/new/live e vincule-a à transmissão.
Quando o áudio bom chegar, os erros que você ainda vai notar são os previsíveis.
As palavras que um reconhecedor de fala erra numa igreja, numa palestra ou numa câmara são previsíveis: nomes de pessoas e lugares, referências bíblicas, termos técnicos, os itens da pauta. A razão é estrutural. Um reconhecedor escolhe as palavras mais prováveis dado o som, e aprende essas probabilidades com o que as pessoas costumam dizer. Assim, um sobrenome raro perde sempre para uma palavra comum que soa parecida. A resposta da área, conhecida como biasing ou vocabulário personalizado, é dizer ao sistema quais palavras raras esperar. A observação útil para uma sala de uso semanal é que essas são exatamente as palavras que já estão escritas antes do evento.
Adicione um roteiro ou os slides antes de começar. Nomes e termos dele passam então a ter prioridade sobre o que o reconhecedor entendeu errado. Ninguém precisa lê-lo palavra por palavra; um roteiro do sermão, um folheto ou a pauta publicada já trazem a maioria dos substantivos próprios. Durante a gravação, a aba Script na tela do anfitrião acompanha como um teleprompter, destacando as palavras já ditas.
Os roteiros podem ser escritos antecipadamente e receber um horário de início; a biblioteca os lista em Upcoming com um botão Start. Isso combina com uma escala: uma pessoa acrescenta o texto na sexta, outra aperta Start no domingo.
Se uma palavra ainda sair errada, a aba Fix marca as palavras incertas e permite que o anfitrião clique em uma linha para corrigi-la enquanto a gravação está ao vivo; os ouvintes veem a correção.
Acertar as palavras é uma metade do trabalho; a outra é saber quem as disse.
O seletor de rótulos de locutor tem três posições. When Needed identifica cada linha com seu locutor assim que mais de uma voz é ouvida; caso contrário, a transcrição é texto simples. On rotula cada linha mesmo com um só locutor. Off deixa o texto simples. Num sermão, When Needed significa que uma só voz aparece como prosa; numa câmara com uma dúzia de vereadores, cada linha traz o seu locutor.
Os rótulos começam como números. Numa gravação, você pode dar um nome a um locutor, e o nome se aplica a todas as linhas dele. Para pessoas que falam toda semana, vá um passo além e salve a voz delas. Você pode criar uma voz a partir de qualquer locutor que fale por pelo menos trinta segundos numa gravação, ou de uma gravação curta que a própria pessoa forneça. Nas gravações seguintes, o locutor passa a ser reconhecido e identificado pelo nome e, se os ouvintes optarem por ouvir a tradução lida em voz alta, ela é lida na voz dele em todos os idiomas. Sem nenhuma clonagem, cada locutor recebe uma voz padrão distinta, de gênero correspondente, e qualquer locutor pode ser silenciado.
Uma voz clonada é um dado biométrico. O VocalStack só cria uma com o consentimento explícito do locutor, usa-a apenas para ler em voz alta as falas daquela pessoa e permite que você a exclua a qualquer momento. Vereadores e membros do clero são figuras públicas em suas salas; isso não equivale a consentimento, então pergunte.
Para uma câmara, é aqui que a transcrição se torna um registro. Com cada linha identificada pelo nome, a ata finalmente mostra quem disse "acho que já discutimos isso" pela quarta vez. O que levanta a questão de para quem é o registro.
Os primeiros beneficiados são os frequentadores que são surdos ou têm deficiência auditiva, e não os visitantes que leem em outro idioma, embora estes também sejam bem-vindos. Um laço de indução magnética (induction loop) ajuda pessoas com aparelhos auditivos e não faz nada por qualquer outra; legendas no celular ajudam o restante, e os dois se complementam em vez de competir. Órgãos públicos em muitos lugares têm deveres de acessibilidade e de reuniões abertas, e uma transcrição que o público pode ler ao vivo e depois contribui muito para ambos. Verifique o que se aplica a você localmente.
Seja honesto sobre o que são as legendas automáticas. Um legendador humano (o serviço se chama CART em alguns países) ouve, entende e digita. Num debate acalorado na câmara em que três vereadores falam ao mesmo tempo, um humano ainda supera a máquina. A fala sobreposta produz erros em qualquer sistema automático, e o mesmo ocorre quando o presidente murmura fora do microfone. Onde há exigência legal de legendas literais, as automáticas são um complemento, não um substituto; onde a alternativa é nada, elas representam uma grande melhora em relação a nada.
A transcrição também vale mais no dia seguinte.
Cada gravação vai para a sua biblioteca, e a página da transmissão lista as gravações anteriores para quem tiver o link. Quem perdeu a reunião pode reproduzi-la exatamente como foi captada, linha por linha, com o áudio.
Quando as palavras estiverem finais, um título e um resumo são escritos em todos os idiomas. Uma busca no seu idioma também encontra gravações feitas em outro, de modo que um escrivão consegue achar o mês em que um item foi discutido e um estudante, a aula que tratou de um tema. As exportações saem como legendas SRT, PDF, Excel ou JSON, com correções e traduções incluídas; um PDF da transcrição traduzida fica bem ao lado da ata. Se algo disso deve acontecer sem que uma pessoa clique em nada, a API faz tudo o que o Painel faz, pela mesma tarifa, em todos os planos: veja {{api}}/docs.
Tudo isso precisa caber no orçamento de uma paróquia ou comissão.
A transcrição ao vivo custa $0.60 por hora de áudio, cobrada por segundo com um mínimo de 5 minutos por transcrição, em todos os planos. Os ouvintes são gratuitos, não importa quantos sejam, e a tradução para até 10 idiomas por transcrição está incluída.
Uma conta nova vem com $5 de crédito de cadastro único e não pede cartão. Esse crédito cobre mais de um mês de domingos. Depois disso, você recarrega conforme usa, ou assina o Premium por $50 por mês ($40 por mês no plano anual). O Premium inclui $50 de crédito todo mês, o que equivale a 83 horas ao vivo. Ele também mantém todas as gravações pela vida da conta, em vez de 30 dias, e não corta uma transcrição caso o crédito acabe no meio da reunião. Duas observações práticas para o tesoureiro. No plano Pague conforme o uso, uma transcrição pode levar até 15 segundos para começar a partir do zero, então aperte iniciar antes do hino de abertura, e não durante ele. E um YouTube ao vivo que já terminou é um vídeo, portanto é transcrito como arquivo, na tarifa de arquivo, bem mais baixa.
Para uma sala e um evento recorrente, o Pague conforme o uso basta. Para uma instituição que quer que cada gravação seja pesquisável anos depois, ou que administra várias salas ao mesmo tempo, o Premium é a escolha. A tabela completa, com limites e retenção, está na página de preços, e a demonstração interativa mostra o que um ouvinte vê.
