Uma sala multilíngue não precisa de uma cabine por idioma. Precisa de um único áudio limpo vindo da mesa de som, de um link que o público abre nos próprios celulares e de uma forma de corrigir um nome mal entendido enquanto a fala continua.
Uma palestra, um culto, uma aula ou uma reunião da câmara municipal têm uma pessoa falando e um público que nem todo mundo pensa naquele idioma. As respostas habituais são caras, parciais ou privadas.
A resposta cara é um intérprete para cada idioma. Mesmo com um por idioma, isso significa uma cabine, um conjunto de receptores e um especialista para cada língua presente na sala, e os especialistas não dizem exatamente a mesma coisa. Cada intérprete faz suas próprias escolhas sob pressão de tempo: qual palavra usar para um termo, o que resumir, o que deixar de fora quando o orador acelera. Numa palestra comum, essas diferenças quase não importam. Numa audiência jurídica, numa votação da câmara ou numa apresentação técnica, importam muito: um termo definido, uma dosagem ou uma cláusula pode chegar aos ouvintes franceses com um sentido e aos ouvintes árabes com outro, e ninguém na sala está em condições de perceber. A resposta parcial é um feed de legendas numa única tela, em apenas um segundo idioma. A resposta privada são cinquenta celulares erguidos na direção da sala: cinquenta transcrições levemente erradas, cada aparelho captando o eco e a tosse com a mesma clareza que a fala do orador.
A alternativa é transcrever o orador uma única vez, a partir de uma fonte limpa, traduzir essa transcrição única para o que o público precisar, de modo que todos os idiomas partam das mesmas palavras, e deixar que cada ouvinte escolha no próprio dispositivo. A gravação é guardada quando o evento termina. A seguir, veja como o anfitrião e o ouvinte configuram tudo e quanto custa.
Uma transcrição ao vivo pode captar um microfone de qualquer dispositivo, um feed RTMP do OBS ou de qualquer outro codificador que aceite uma URL de servidor e uma chave de transmissão, uma transmissão ao vivo do YouTube, uma rádio pela internet ou qualquer URL que sirva um stream. No caso de um stream, o VocalStack puxa o áudio por conta própria; nada precisa rodar do seu lado.
A fonte importa mais do que qualquer configuração. Um microfone de ambiente, ou um celular sobre a mesa, capta o orador mais o ambiente: a reverberação das paredes, das cadeiras, do público. O reconhecimento de fala piora muito quando a voz fica mais fraca em relação a esse ruído, e é por isso que aqueles cinquenta celulares discordam entre si. Um feed da mesa de som traz o microfone do próprio orador com pouco do ambiente, então a transcrição acompanha o orador, e não a sala. Se o local tiver uma mesa de som, pegue o feed dela.
O idioma falado é detectado automaticamente, e o orador pode trocar de idioma a qualquer momento; informá-lo com antecedência ajuda em gravações com ruído e sotaques fortes. Os rótulos de locutores podem ficar desligados, ligados ou em When Needed, que os liga assim que um segundo locutor for ouvido. Quando o áudio já estiver chegando, o público precisa de um lugar para encontrá-lo.
Uma transmissão é o link: um endereço e um QR code que os ouvintes escaneiam para abrir a tradução ao vivo e escolher o idioma. O link é criado a partir do nome que você dá à transmissão. Se você renomeá-la depois, o link antigo continua funcionando, de modo que um QR code impresso num programa não fica desatualizado.
Uma transmissão é pública por padrão: qualquer pessoa com o link pode abri-la. Se você a tornar privada e definir uma senha, os ouvintes serão solicitados a informá-la antes que a transcrição apareça.
Uma transmissão pode receber o feed de várias transcrições ao vivo, então uma conferência com dois palcos ainda compartilha um único link. O link faz as pessoas entrarem; o que as mantém ali é acertar os nomes.
Os reconhecedores de fala são treinados com base em como as pessoas costumam falar, então, quando um som é ambíguo, eles recorrem à palavra comum. Um nome de produto, um sobrenome, uma vila, um composto químico: cada um tem um quase-homófono mais frequente, e é ele que aparece, a menos que o reconhecedor seja informado de que a palavra rara vem a seguir. Para isso serve um roteiro. Adicione um roteiro ou slides antes de começar, e os nomes e termos neles prevalecem sobre o que foi mal interpretado. São esses nomes e termos que costumam derrubar o reconhecimento numa palestra especializada. Durante a gravação, a aba Script acompanha como um teleprompter, destacando as palavras já ditas.
Essa é toda a configuração. Do outro lado do link, há ainda menos a fazer.
O ouvinte precisa de um link ou de um QR code, e de um celular. Ele abre o link no navegador e vê A transmissão ainda não começou até que o anfitrião pressione gravar, e depois Ao vivo. A primeira linha aparece em instantes. Ele escolhe entre os idiomas que o anfitrião selecionou (até 10 por transcrição, de 100 disponíveis) e lê a transcrição enquanto o orador fala. O anfitrião continua falando no próprio idioma. O ouvinte pode trocar de idioma a qualquer momento; a transcrição até ali é exibida de novo no novo idioma.
Se o ouvinte preferir ouvir, cada linha traduzida é lida em voz alta. Por padrão, cada orador recebe uma voz padrão distinta, de gênero correspondente, de modo que um painel ainda soe como um painel.
As três etapas acontecem em ordem, e cada uma espera pela anterior. O reconhecimento precisa de um trecho de fala antes de poder confirmar as palavras, então a transcrição fica uma fração de segundo atrás do orador. A tradução precisa de uma frase inteira, porque a ordem das palavras varia entre idiomas e o fim de uma frase pode mudar o começo, então ela vem um ou dois segundos depois. A fala precisa da frase traduzida antes de começar, então uma linha falada vem por último. Nada disso é uma falha a ser corrigida; é o que qualquer sistema que faça essas três coisas precisa fazer, inclusive um intérprete humano, que também espera pelo verbo.
Com a permissão do orador, o anfitrião pode clonar a voz dele a partir de trinta segundos da pessoa falando sozinha (um MP3, M4A ou WAV; alguns minutos é melhor). A tradução é então lida com a voz do próprio orador em todos os idiomas. Trate a voz como o dado biométrico que ela é. Pelo GDPR, dados de voz processados para reconhecer uma pessoa geralmente se enquadram nas categorias especiais do Artigo 9, e alguns estados dos EUA, entre eles Illinois, regulam as impressões vocais (voiceprints) em separado. Obtenha o consentimento explícito do orador antes de a amostra ser gravada, não depois; a voz pode ser apagada a qualquer momento. A clonagem também cadastra o orador, de modo que ele é identificado pelo nome em gravações futuras. O anfitrião pode atribuir uma voz a cada orador, ou silenciar um deles.
Um ouvinte que chega atrasado vê tudo o que foi dito antes da sua chegada e depois acompanha ao vivo. Se a conexão cair, a página se atualiza sozinha assim que a conexão voltar. Quando o anfitrião pausa, os ouvintes veem Pausado. A transcrição continua quando o anfitrião retomar. Quando o anfitrião encerra, a página mostra a data e a duração da gravação, e a transmissão lista as gravações anteriores para reprodução.
Um ouvinte só pode ler o que o motor ouviu, e o reconhecimento ao vivo erra em parte do que captou.
A tela do anfitrião tem uma aba Fix justamente para isso. Mark uncertain words colore e sublinha as palavras sobre as quais o motor teve dúvida; Click to correct abre uma linha para revisão. A aba percorre os trechos incertos um a um, para que uma segunda pessoa na mesa possa revisá-los enquanto o orador segue falando.
Quando o anfitrião reescreve uma palavra ou uma linha, mesmo uma que ainda está sendo falada, todos os ouvintes veem a correção. Uma linha cuja confiança é baixa demais fica oculta dos ouvintes como Áudio pouco claro, em vez de exibida errada; o anfitrião ainda vê todas as palavras. Um espaço em branco é uma lacuna conhecida; uma palavra errada com confiança é um boato.
Essas correções não desaparecem quando a palestra termina.
Tudo fica guardado. A gravação, sua transcrição com correções e traduções, e o áudio vão para a biblioteca do anfitrião. A reprodução exibe tudo exatamente como chegou, linha por linha, com o áudio. Quando as palavras estiverem finais, um título e um resumo são escritos em todos os idiomas, e as abas Summary e Export da tela do anfitrião levam essas informações diretamente para fora do evento.
As exportações são legendas SRT, PDF, Excel ou JSON, com correções e traduções incluídas, e o áudio é baixado em MP3. Toda transcrição é pesquisável em qualquer idioma.
A visão Audience mostra quem ouviu, em qual idioma e a que horas entrou: muitas vezes, a primeira contagem real que um organizador tem de quem precisava de qual idioma. Até então, a estimativa habitual era quem levantava a mão quando perguntado, em inglês, se precisava de tradução. Os identificadores dos ouvintes são apagados junto com a gravação.
O reconhecimento de fala, o reconhecimento de locutores e a síntese de voz rodam em servidores que operamos, e seu áudio não é enviado a terceiros para processamento. Não usamos seu áudio, suas transcrições nem suas vozes para treinar modelos.
A retenção segue o plano: no Pague conforme o uso, o áudio da fonte e as vozes são mantidos por 7 dias e as transcrições por 30 dias; Premium e Enterprise os mantêm pelo tempo de vida da conta. A outra coisa que o plano define é a cobrança.
Dois números importam. No Pague conforme o uso e no Premium, a transcrição ao vivo custa $0.60 por hora de áudio, cobrada por segundo, com um mínimo de 5 minutos por transcrição, no Painel e também pela API; o Enterprise tem tarifas por volume. Ouvintes e idiomas são gratuitos: um evento de uma hora lido em cinco idiomas por duzentas pessoas custa $0.60. Arquivos são mais baratos ($0.20 por hora), porque uma transcrição ao vivo roda em tempo real durante todo o evento. Os planos diferem em concorrência, duração máxima de gravação e velocidade de início; no Pague conforme o uso, um início a frio pode levar até 15 segundos, então pressione gravar um pouco antes do orador, mais ou menos um "Todos aí atrás me ouvem?" antes. A tabela completa está na página de preços.
A página inicial tem uma demonstração com dois celulares, e uma conta nova no Painel vem com um crédito de cadastro de $5 e não precisa de cartão. Na tarifa ao vivo, esse crédito cobre mais de oito horas de transmissão.
Está em dúvida entre isto e a tradução ao vivo embutida no celular de todos? Leia por que um celular não basta para uma sala. Para um evento completo, a lista de verificação para conferências multilíngues cobre o caminho do áudio, vários palcos em um só link e o orçamento. Desenvolvedores podem fazer tudo isso a partir do código pela referência da API, na mesma tarifa.
