As legendas se ganham na mesa de som e nos slides dos palestrantes. Capture um único sinal limpo dos microfones de fala de cada palco e carregue todos os nomes e siglas antes de qualquer pessoa subir ao palco; o resto do dia é corrigir o que esses dois pontos deixaram passar.
Grande parte do trabalho de legendar uma conferência acontece antes de qualquer pessoa subir ao palco, e a maior parte dele não é software.
Um celular no púlpito ouve a sala; a mesa de som ouve o palestrante. Pegue o sinal da mesa, e seja específico sobre qual sinal. Peça ao técnico de som um envio auxiliar ou matriz dedicado, com apenas os microfones de fala: púlpito, microfones de lapela, microfones dos painelistas. Música de entrada, reprodução de vídeo e o canal de aplausos ficam de fora. O reconhecimento que tiver de ouvir através de uma vinheta faz um palpite confiante sobre a letra da música.
Teste esse envio no ensaio técnico, com os microfones e os alto-falantes reais, se conseguir. Caso contrário, você descobre às 8h55 da manhã do evento que a saída matriz é pós-fader e que o técnico silencia o púlpito entre as falas.
Entregue ao VocalStack esse sinal de uma de duas formas. A primeira é um encoder RTMP na mesa. Ao adicionar um stream RTMP como fonte de uma transcrição ao vivo, o Painel mostra a URL do servidor e a chave de stream que o encoder precisa, informa se o áudio já está chegando e em qual formato, e permite ouvi-lo. A segunda é um endereço de stream. Se o palco já estiver sendo transmitido como live no YouTube ou como stream de áudio, cole esse link e o VocalStack puxa o áudio por conta própria; nada roda do seu lado. Cole o endereço do próprio stream, não a página em que ele é reproduzido. Se você colar uma página da web por engano, o Painel avisa.
Em qualquer um dos casos, use um único sinal de microfone por palco. Microfones da plateia e interferência entre canais custam precisão que nenhuma configuração recupera. O melhor microfone do prédio pertence ao painelista que não para de se afastar dele.
Com o áudio chegando, o público precisa de um lugar para ler as legendas.
Uma transmissão é o link que os participantes abrem. Crie-a em Broadcasts, dê um nome e escolha o link. O Painel sugere um link com base no nome; você pode editá-lo, desde que ele mantenha pelo menos seis caracteres. A mesma tela mostra o QR code que os participantes escaneiam para abrir a tradução ao vivo e escolher o idioma.
Decida agora se a transmissão será pública ou privada. Pública significa que qualquer pessoa com o link pode abri-la. Privada significa que os participantes digitam uma senha curta antes que a transcrição apareça. Se o link precisar mudar depois, troque-o; o antigo continua funcionando.
Depois, pense em como o link chega a mil bolsos. Coloque o QR code no slide de espera antes de cada sessão, na sinalização das portas e no cartão do crachá, se houver um. Centenas de celulares entrando ao mesmo tempo colocam uma carga real no Wi-Fi do local, então pergunte à organização para que os pontos de acesso foram dimensionados e se a rede de convidados limita a velocidade por dispositivo. Se a resposta for um dar de ombros, peça aos participantes que usem dados móveis. As páginas são leves; o risco é o Wi-Fi.
Uma conferência com dois palcos não precisa de dois links. Uma transmissão pode ser alimentada por várias transcrições ao vivo ao mesmo tempo. Palco A e Palco B se tornam duas transcrições ligadas à mesma transmissão, e a tela do participante mostra as duas numa só página. Cada palco é uma transcrição ao vivo própria, e cada plano limita quantas podem rodar simultaneamente (1 no Pague conforme o uso, 5 no Premium, ilimitado no Enterprise). Esse limite volta na seção de orçamento abaixo.
Um link só é tão bom quanto as palavras por trás dele.
Em qualquer sistema, o reconhecimento ao vivo tropeça em nomes, termos de produto e siglas. Envie o roteiro ou os slides de cada palestrante antes de começar, e os nomes e termos neles prevalecem sobre o que o motor achou ter ouvido. Durante a fala, a aba Script acompanha as palavras como um teleprompter.
Este também é o momento de ser honesto sobre o que é a legendagem por máquina. Reconhecimento de fala somado a tradução automática não é CART (Communication Access Realtime Translation, legendas digitadas ao vivo por um legendador humano treinado), e também não é interpretação. É rápido, barato e incansável, e ocasionalmente vai inverter uma negação, arredondar um número ou traduzir uma piada como se fosse um fato. Para um discurso de abertura, uma sessão de produto ou um painel, essa troca geralmente vale a pena. Para uma sessão em que uma palavra errada tem consequências (jurídicas, médicas, uma votação), contrate um legendador ou intérprete humano e deixe a máquina rodar ao lado como registro escrito. A base de acessibilidade também vale ser conhecida: as WCAG 2.x exigem legendas para áudio ao vivo no nível AA (critério 1.2.4), e um número crescente de contratos do setor público e de locais simplesmente as cita.
Com as palavras definidas, a última preparação diz respeito a quem as está dizendo.
Os rótulos de locutor dizem à plateia quem está falando. Ajuste a chave para When Needed e os rótulos só aparecem depois que um segundo locutor tiver sido ouvido, de modo que um discurso de abertura se lê como texto corrido e um painel se lê como uma conversa.
Para que os locutores sejam reconhecidos pelo nome desde a primeira linha, cadastre antecipadamente as vozes em Voices. Um trecho de uma pessoa falando é suficiente: MP3, M4A ou WAV, com pelo menos trinta segundos, embora alguns minutos sejam melhor. A pessoa precisa ter concordado, e o Painel pede que você confirme que tem permissão antes de criar a voz. Trate isso como mais do que uma caixa de seleção. Pelo GDPR, uma impressão vocal (voiceprint) usada para identificar uma pessoa é em geral tratada como dado biométrico (Artigo 9). Isso significa consentimento explícito e o direito de ter a impressão vocal excluída. Regras comparáveis existem em outros lugares, e os acordos com os palestrantes são o lugar mais simples para cobrir isso. Uma voz clonada pode ser excluída a qualquer momento. Enquanto existir, também permite que os ouvintes ouçam as traduções daquele palestrante numa voz igual.
Com o plano definido, o resto é o próprio dia.
Toda transcrição ao vivo tem uma aba Speed com um modo de latência e um gráfico do atraso ao longo do tempo. Três configurações:
Para um discurso de abertura com roteiro e sinal limpo da mesa, Auto é o ideal; para um painel técnico com quatro sotaques e sem roteiro, Accuracy vale o atraso extra.
O início é o outro tempo a planejar. No Pague conforme o uso, um início a frio pode levar até 15 segundos antes que a transcrição comece. O Premium costuma começar aquecido, e o Enterprise sempre começa. Inicie durante a entrada do público, não na primeira palavra.
Qualquer que seja o modo, algumas palavras estarão erradas, então alguém precisa estar acompanhando.
Alguém na mesa deve manter a aba Fix aberta. Ela tem dois interruptores: Mark uncertain words colore e sublinha as palavras sobre as quais o motor teve dúvida, e Click to correct abre uma linha para revisão quando você clica nela. A aba percorre os segmentos incertos um a um, e uma correção chega a todos os ouvintes em todos os idiomas.
O microfone da plateia é o elo fraco de qualquer sala, e as perguntas e respostas são onde isso aparece. Peça ao moderador que repita cada pergunta da plateia no próprio microfone antes de responder. As legendas agradecerão, e também a última fileira, que também não ouviu.
Entre as sessões, a mesa tem outro trabalho.
A tela do anfitrião pode pausar e retomar uma gravação, e a página do ouvinte mostra um aviso: "Pausado. A transcrição continua quando o anfitrião retomar." A pausa serve para uma troca de sessão, não para o almoço. Cada gravação tem um tempo máximo de pausa, definido no Painel como 30 segundos, 1 minuto ou 3 minutos; uma gravação deixada pausada por mais tempo termina sozinha.
Para um intervalo mais longo, pare a gravação e inicie uma nova quando a próxima sessão começar. Cada gravação continua listada na página da transmissão, então à tarde os participantes podem voltar às sessões da manhã. Uma única gravação ao vivo tem um teto de algumas horas no Pague conforme o uso e mais no Premium (os valores exatos estão na página de preços), então um dia longo é, de qualquer forma, várias gravações.
No meio da manhã, verifique quem está realmente lendo.
A visualização de audiência da aba Broadcast mostra quem está presente, quantos estão ouvindo agora, os idiomas que eles têm abertos e os ouvintes ao longo do tempo. Cada transcrição inclui até 10 idiomas, e cada ouvinte escolhe um no próprio dispositivo. A visualização, portanto, mostra quais idiomas a sala realmente lê, o que raramente é a lista que os organizadores imaginaram. Os inscritos em Madri acabam lendo inglês; a linha do português se enche a partir de uma tabela que ninguém esperava. Leve a lista para o próximo ano.
Cada um desses ouvintes é gratuito. O que custa dinheiro é o áudio.
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 e pela API. Dois palcos rodando oito horas cada somam 16 horas de áudio ao vivo, ou $9.60. Traduções, transmissões, resumos e exportações estão incluídos, não importa quantas pessoas ouçam.
O plano importa pela capacidade, não pela tarifa. Pague conforme o uso oferece $5 de crédito único de cadastro sem cartão, uma transcrição por vez e gravação máxima de 5 horas. Uma transcrição ao vivo para imediatamente quando o crédito chega a zero, então recarregue antes de abrir as portas. Premium custa $50 por mês ($40 por mês no plano anual) e inclui $50 de crédito todo mês, o que cobre 83 horas ao vivo. Permite cinco transcrições simultâneas e gravações de 10 horas, e acrescenta um período de tolerância: uma transcrição ao vivo continua rodando por um tempo depois de zerar, e os minutos extras são cobrados à mesma taxa. Dois palcos em paralelo exigem o Premium. Enterprise tem preço personalizado, concorrência ilimitada, gravações de 24 horas e um pool de motores dedicado.
Veja a página de preços para a tabela completa e confira seu saldo em Billing, no Painel, na semana anterior.
A cobrança para quando o áudio para; a transcrição, não.
As transcrições são mantidas por 30 dias no Pague conforme o uso e sem limite no Premium e no Enterprise. No Pague conforme o uso, o áudio de origem fica guardado por apenas 7 dias. Exporte dentro da semana se estiver no plano gratuito.
Para ver como o link aparece do ponto de vista do participante, veja Um link, todos os idiomas, ou experimente a demonstração ao vivo na página inicial.
