A precisão da tradução ao vivo é definida, em grande parte, antes de qualquer modelo rodar, pelo lugar onde está o microfone. Pegue o áudio da mesa de mixagem, não de uma cadeira na fila doze, transcreva uma vez, e um erro vira uma linha que alguém pode corrigir para todos.
Os aplicativos de tradução embutidos nos celulares são uma conquista de verdade. Em geral, rodam um modelo de fala pequeno o bastante para caber no aparelho e na bateria (alguns enviam o áudio a um servidor quando há conexão), e, para frases curtas, claras e do dia a dia, cumprem bem o papel: pedir informações sobre um caminho, ler um cardápio, uma conversa no balcão de uma loja.
Uma sala cheia de gente ouvindo um único orador é outro problema. As coisas que dão errado na fala real são justamente as que um modelo pequeno faz pior: palavras incomuns e nomes, palavras que soam parecidas (“their” e “there”, “sail” e “sale”), termos técnicos, sotaques, pessoas falando ao mesmo tempo e ruído de fundo. Num clube de vela, um modelo que ouve “sale” fez um palpite razoável e um erro com toda a confiança.
Há duas razões para o modelo pequeno chutar mais do que um grande. Ele foi comprimido para caber no celular, então conhece menos palavras e menos formas de dizê-las; e, diante de um sobrenome que nunca viu, ele aproxima pelo som. Além disso, o reconhecimento ao vivo precisa fechar uma palavra antes de a frase seguinte chegar, então o modelo não consegue usar o que resolveria “sail” contra “sale”: as palavras que vêm depois, ou um roteiro que diga do que trata a palestra. No reconhecimento de fala, contexto significa exatamente essas duas coisas: as palavras ao redor e o que se sabe com antecedência.
Quando o modelo não tem certeza, ele chuta. A tradução então se apoia no palpite, e quem lê não tem como saber. Ninguém na sala consegue ver que uma linha estava errada, muito menos corrigi-la. E uma sala não tem um ouvinte, tem cinquenta.
O celular ouve a sala, não o orador. A distância é o motivo: um microfone de lapela ou de mesa fica a poucos centímetros da boca, enquanto um celular na fila doze está a dez metros ou mais, e a maior parte do que chega até ele já bateu nas paredes, no teto e nas costas das cadeiras antes. O som refletido chega atrasado e borrado. Além disso, o celular capta a pessoa tossindo duas fileiras atrás, o murmúrio do vizinho e o que os alto-falantes fazem com a voz no caminho até o fundo do salão. Cada assento recebe uma gravação um pouco diferente, e cada assento recebe uma transcrição um pouco diferente.
Um celular também traduz para uma pessoa só. Cinquenta participantes com cinquenta celulares levantados produzem cinquenta transcrições independentes da mesma palestra, cada uma com um conjunto diferente de erros. Duas pessoas que comparam anotações depois não vão concordar sobre o que foi dito. Enquanto isso, o orador fala para uma parede de celulares erguidos, uma plateia difícil de ler.
Para algumas pessoas da sala, isso é mais do que um incômodo: decide se elas conseguem acompanhar a palestra. Um participante com deficiência auditiva, ou alguém acompanhando num terceiro idioma, precisa de um único texto correto e compartilhado, não de cinquenta melhores esforços. Isso significa transcrever o orador uma vez e entregar o mesmo resultado a todos. Transcrever uma vez só compensa se for feito bem, e isso começa por onde o áudio é captado.
A transcrição só é tão boa quanto o áudio de que é feita. Por isso, a primeira decisão não é qual modelo usar, mas qual sinal alimentá-lo. A segunda é o que dizer ao modelo antes de ele começar.
Uma transcrição ao vivo pega o áudio de onde o sinal limpo já está:
O VocalStack puxa sozinho um fluxo por URL, então nada precisa rodar do seu lado. Um feed RTMP funciona ao contrário: é o seu codificador que o envia. O idioma do orador é detectado automaticamente, e ele pode trocar de idioma a qualquer momento. Se você souber o idioma e a gravação tiver ruído ou sotaque forte, informá-lo melhora a precisão.
Áudio limpo elimina os erros causados pela sala. Ele não faz nada pelos erros causados pelo vocabulário, e esses precisam de outro tipo de ajuda.
O celular não faz ideia de quem está falando nem do que trata a palestra, então um nome de produto ou um sobrenome é só mais um som a ser aproximado. Uma transmissão pode ser avisada com antecedência sobre o que esperar.
Se você adicionar um roteiro ou os slides antes de começar, os nomes e termos que eles contêm prevalecem sobre o que o motor entendeu errado. Durante a gravação, a aba Script acompanha o orador como um teleprompter. Esse é o maior ganho de precisão isolado para o tipo de fala que enche congressos e aulas: cheia de nomes próprios e de vocabulário que nenhum modelo de uso geral ouviu com frequência suficiente.
Áudio bom e um glossário eliminam a maioria dos erros. A questão é o que acontece com os erros que restam.
Mesmo com bom áudio e um roteiro, algumas linhas sairão erradas. A diferença está no que acontece depois.
No celular, nada. A linha errada passa e a tradução construída sobre ela passa junto.
Numa transmissão, uma linha confusa demais para valer a pena ser exibida fica oculta dos ouvintes como “Áudio incompreensível”, em vez de ser apresentada como fato.
Existe também o anfitrião, que tem a aba Fix: as palavras em que o motor não teve certeza podem ser coloridas e sublinhadas, um clique abre a linha para revisão, e qualquer palavra ou linha pode ser reescrita enquanto a transcrição ainda está ao vivo. Cada ouvinte vê a correção no próprio idioma. Cada ajuste fica marcado e pode ser desfeito.
O ponto não é que um servidor nunca erra. É que o erro fica visível, tem um responsável dentro da sala e é corrigido uma vez, para todos.
As correções ajustam o que os ouvintes leem. Quem prefere ouvir a palestra recebe o mesmo texto corrigido, falado.
Um ouvinte que prefere ouvir a ler pode fazer com que cada linha traduzida seja lida em voz alta. Por padrão, cada orador recebe uma voz padrão distinta, de gênero compatível, para que um painel ainda soe como um painel. Você pode atribuir uma voz a cada orador, ou silenciar um deles.
Com a permissão do orador, dá para ir além e clonar a voz dele a partir de trinta segundos de fala, enviada como um trecho de áudio ou extraída diretamente de um orador numa gravação; alguns minutos geram um resultado melhor. A tradução é então lida com a voz do próprio orador, em todos os idiomas. Um orador com voz salva também pode ser reconhecido em gravações posteriores, embora o sistema prefira deixar um orador sem nome a dar o nome da pessoa errada.
Duas regras se aplicam, e são deliberadas. Uma voz clonada é dado biométrico: só é criada com o consentimento explícito do orador e pode ser excluída a qualquer momento. E uma voz só fala uma transcrição ou a tradução dela; não pode ser feita para dizer algo que o dono nunca disse.
Tudo o que foi visto até aqui acontece enquanto o orador fala. A última diferença aparece depois que ele para.
As cinquenta transcrições dos celulares desaparecem quando os aplicativos são fechados. Uma transmissão mantém a gravação na sua biblioteca: o áudio e a transcrição, com cada correção e tradução. Lá ela pode ser reproduzida linha a linha, pesquisada em qualquer idioma e exportada; o passo a passo em Um link, todos os idiomas explica o que a biblioteca faz. Ouvintes não custam nada, por mais que sejam. Você paga pelo áudio transcrito, a US$ 0,60 por hora para o ao vivo, com um mínimo de 5 minutos por transcrição, e a página de preços tem a tabela completa.
Um celular em cada mão continua sendo um bom recurso para uma conversa no corredor. Para uma sala que precisa entender um único orador junta, o orador deve ser transcrito uma vez, a partir da fonte, com alguém capaz de corrigir o que der errado. Você pode ver como isso funciona na demonstração interativa na página inicial.
