O sală multilingvă nu are nevoie de o cabină pentru fiecare limbă. Are nevoie de un singur flux audio curat de la masa de sunet, de un link pe care publicul îl deschide pe propriile telefoane și de un mod de a corecta un nume auzit greșit cât timp discursul continuă.
Un discurs, un serviciu religios, un curs sau o ședință a consiliului local are o persoană care vorbește și un public care nu gândește, toți, în limba aceea. Soluțiile obișnuite sunt scumpe, parțiale sau private.
Varianta scumpă este un interpret pentru fiecare limbă. Chiar și cu câte unul pentru fiecare limbă, asta înseamnă o cabină, un set de receptoare și un specialist pentru fiecare limbă din sală, iar specialiștii nu spun neapărat același lucru. Fiecare interpret ia propriile decizii sub presiunea timpului: ce cuvânt folosește pentru un termen, ce comprimă, ce lasă deoparte când vorbitorul accelerează. La o prezentare obișnuită, diferențele aproape că nu contează. La o audiere juridică, un vot în consiliu sau un briefing tehnic, contează: un termen definit, o doză sau o clauză pot ajunge la ascultătorii francezi cu un sens, iar la ascultătorii arabi cu altul, și nimeni din sală nu este în poziția de a observa. Varianta parțială este un flux de subtitrări pe un singur ecran, într-o singură a doua limbă. Varianta privată este cincizeci de telefoane ridicate spre sală: cincizeci de transcrieri ușor greșite, fiecare telefon auzind ecoul și tusea la fel de clar ca pe vorbitor.
Alternativa este să transcrii vorbitorul o singură dată, dintr-o sursă curată, și să traduci această unică transcriere în limbile de care are nevoie publicul, astfel încât fiecare limbă să pornească de la aceleași cuvinte, iar fiecare ascultător să aleagă de pe propriul dispozitiv. Înregistrarea se păstrează când se încheie evenimentul. Iată cum își configurează gazda și ascultătorul fiecare lucru și ce costă.
O transcriere live poate asculta un microfon de pe orice dispozitiv, un flux RTMP de la OBS sau de la orice alt encoder care acceptă un URL de server și o cheie de stream, un YouTube live, un post de radio pe internet sau orice URL care servește un stream. Pentru un stream, VocalStack extrage singur audio; nu trebuie să rulezi nimic de partea ta.
Sursa contează mai mult decât orice setare. Un microfon de sală sau un telefon pus pe o masă aude vorbitorul plus sala: reverberația de pe pereți, scaunele, publicul. Recunoașterea vorbirii se degradează sever pe măsură ce vocea devine mai slabă în raport cu zgomotul acesta, de aceea cele cincizeci de telefoane nu se înțeleg între ele. Un flux de la masa de mixaj transportă microfonul propriu al vorbitorului, cu puțin din sală, așa că transcrierea urmărește vorbitorul, nu sala. Dacă locul are o masă de mixaj, ia fluxul de acolo.
Limba vorbită este detectată automat, iar vorbitorul o poate schimba oricând; indicarea ei din timp ajută la înregistrările zgomotoase și la accente puternice. Etichetele de vorbitor pot fi dezactivate, activate sau When Needed, care le activează odată ce se aude un al doilea vorbitor. Odată ce audio intră, publicul are nevoie de un loc unde să-l găsească.
O transmisiune este linkul: o adresă și un cod QR pe care ascultătorii îl scanează ca să deschidă traducerea live și să-și aleagă limba. Linkul se generează din numele dat transmisiunii. Dacă o redenumești mai târziu, linkul vechi continuă să funcționeze, astfel încât un cod QR tipărit pe un program nu devine învechit.
O transmisiune este publică implicit: oricine are linkul o poate deschide. Dacă o faci privată și setezi o parolă, ascultătorii sunt întrebați de parolă înainte ca transcrierea să apară.
O transmisiune poate fi alimentată de mai multe transcrieri live, astfel încât o conferință cu două scene împarte tot un singur link. Linkul aduce oamenii; ce îi ține acolo este corectitudinea numelor.
Sistemele de recunoaștere a vorbirii sunt antrenate pe modul obișnuit în care vorbesc oamenii, așa că, atunci când un sunet este ambiguu, aleg cuvântul frecvent. Un nume de produs, un nume de familie, un sat, o substanță chimică: fiecare are un cvasi-omofon mai frecvent, și acela este ce iese, dacă recunoscătorul nu este anunțat că urmează cuvântul rar. Pentru asta există un script. Adaugă un script sau slide-uri înainte de start, și numele și termenii din ele câștigă în fața cuvintelor auzite greșit. Aceștia sunt locul unde recunoașterea cedează, de obicei, la o prezentare de specialitate. În timpul înregistrării, tab-ul Script urmărește ca un teleprompter, luminând cuvintele deja rostite.
Atât. De cealaltă parte a linkului mai este și mai puțin de făcut.
Un ascultător are nevoie de un link sau de un cod QR și de un telefon. Deschide linkul într-un browser și vede The broadcast hasn't started yet până când gazda apasă record, apoi Live. The first line appears in a moment. Alege dintre limbile pe care gazda le-a ales (până la 10 pentru fiecare transcriere, din 100 disponibile) și citește transcrierea pe măsură ce vorbitorul vorbește. Gazda continuă să vorbească în limba ei. Ascultătorul poate schimba limba oricând; transcrierea de până atunci se afișează din nou în noua limbă.
Dacă ascultătorul preferă să asculte, fiecare rând tradus este citit cu voce tare. Implicit, fiecare vorbitor primește o voce predefinită distinctă, de genul potrivit, astfel încât un panel să sune în continuare ca un panel.
Cele trei etape au loc în ordine, iar fiecare o așteaptă pe cea dinaintea ei. Recunoașterea are nevoie de o porțiune de vorbire înainte să poată stabili cuvintele, așa că transcrierea rămâne în urma vorbitorului cu o fracțiune de secundă. Traducerea are nevoie de o frază întreagă, pentru că ordinea cuvintelor diferă între limbi, iar sfârșitul unei propoziții poate schimba începutul ei, așa că urmează cu o secundă sau două mai târziu. Vorbirea are nevoie de propoziția tradusă înainte să poată porni, așa că o linie rostită vine ultima. Nimic din toate acestea nu este o defecțiune de eliminat; este ceea ce trebuie să facă orice sistem care face aceste trei lucruri, inclusiv un interpret uman, care și el așteaptă verbul.
Cu permisiunea vorbitorului, gazda poate clona vocea acestuia din treizeci de secunde în care vorbește singur (un MP3, M4A sau WAV; câteva minute sunt mai bune). Traducerea este apoi citită în vocea vorbitorului, în fiecare limbă. Tratează vocea ca pe datele biometrice pe care le reprezintă. Potrivit GDPR, datele vocale prelucrate pentru a recunoaște o persoană intră, în general, în categoriile speciale din articolul 9, iar unele state din SUA, printre care Illinois, reglementează separat amprentele vocale. Obține consimțământul explicit al vorbitorului înainte ca proba să fie înregistrată, nu după; vocea poate fi ștearsă oricând. Clonarea îl și înrolează pe vorbitor, astfel încât acesta va fi etichetat cu numele în înregistrările viitoare. Gazda poate atribui o voce fiecărui vorbitor sau poate reduce la tăcere pe unul.
Un ascultător care sosește târziu vede tot ce s-a spus înainte să intre, apoi urmărește live. Dacă conexiunea se întrerupe, pagina se recuperează singură când conexiunea revine. Când gazda pune pe pauză, ascultătorii văd Paused. The transcript continues when the host resumes. Când gazda oprește transmisiunea, pagina arată data și durata înregistrării, iar transmisiunea listează înregistrările anterioare pentru redare.
Un ascultător poate citi doar ce a auzit motorul, iar recunoașterea live greșește la unele cuvinte.
Ecranul gazdei are un tab Fix tocmai pentru asta. Mark uncertain words colorează și subliniază cuvintele pe care motorul nu a fost sigur; Click to correct deschide o linie pentru verificare. Tab-ul parcurge segmentele incerte unul câte unul, astfel încât o a doua persoană de la masă poate lucra prin ele cât timp vorbitorul continuă.
Când o gazdă rescrie un cuvânt sau o linie, chiar și una încă rostită, fiecare ascultător vede corecția. O linie a cărei încredere este prea scăzută este ascunsă ascultătorilor ca Audio unclear, în loc să fie arătată greșit; gazda vede în continuare fiecare cuvânt. Un spațiu gol este o lacună cunoscută; un cuvânt greșit, dar sigur pe sine, este o zvonă.
Aceste corecturi nu dispar când se încheie discursul.
Totul se păstrează. Înregistrarea, transcrierea cu corecturile și traducerile ei, precum și audio, ajung în biblioteca gazdei. Redarea reproduce exact cum a sosit, rând cu rând, cu audio. Odată ce cuvintele sunt finale, un titlu și un rezumat sunt scrise în fiecare limbă, iar tab-urile Summary și Export ale ecranului gazdei le duc direct din eveniment.
Exporturile sunt subtitrări SRT, PDF, Excel sau JSON, cu corecturile și traducerile incluse, iar audio se descarcă ca MP3. Fiecare transcriere poate fi căutată în orice limbă.
Vizualizarea Audience arată cine a ascultat, în ce limbă și când s-a alăturat: adesea prima cifră reală pe care un organizator o primește despre cine avea nevoie de ce limbă. Până atunci, estimarea obișnuită era cine ridica mâna când se întreba, în engleză, dacă are nevoie de traducere. Identificatorii ascultătorilor sunt șterși odată cu înregistrarea.
Recunoașterea vorbirii, recunoașterea vorbitorilor și sinteza vocală rulează pe servere pe care le operăm noi, iar audio-ul tău nu este trimis niciunui terț pentru prelucrare. Nu folosim audio-ul, transcrierile sau vocile tale pentru a antrena modele.
Păstrarea urmează planul: pe Pay as you go, audio-ul sursă și vocile se păstrează 7 zile, iar transcrierile 30 de zile; Premium și Enterprise le păstrează pe durata de viață a contului. Celălalt lucru pe care îl decide planul este factura.
Două cifre contează. Pe Pay as you go și pe Premium, transcrierea live costă $0.60 pe oră de audio, facturată pe secundă, cu un minim de 5 minute pentru fiecare transcriere, atât în Dashboard, cât și prin API; Enterprise are tarife de volum. Ascultătorii și limbile sunt gratuite: un eveniment de o oră, citit în cinci limbi de două sute de persoane, costă $0.60. Fișierele sunt mai ieftine ($0.20 pe oră), pentru că o transcriere live rulează în timp real pe toată durata evenimentului. Planurile diferă prin concurența permisă, lungimea maximă a înregistrării și viteza de pornire; pe Pay as you go, o pornire la rece poate dura până la 15 secunde, așa că apasă record cu puțin înainte ca vorbitorul să înceapă, cam cu o replică de tipul „Mă aude toată lumea din spate?” înainte. Tabelul complet se află pe pagina de prețuri.
Pagina principală are o demonstrație cu două telefoane, iar un cont nou din Dashboard vine cu un credit de $5 la înregistrare și nu cere card. La tariful live, creditul acoperă peste opt ore de transmisie.
Te gândești între asta și traducerea live integrată în telefonul tuturor? Citește de ce un telefon nu este suficient pentru o sală. Pentru un eveniment complet, lista de verificare pentru conferințe multilingve acoperă traseul audio, mai multe etape pe un singur link și bugetul. Dezvoltatorii pot face toate acestea din cod, prin referința API, la același tarif.
