Transcriere și traducere în timp real explicate: cum funcționează vorbirea în text live, cât rămâne în urmă, ce influențează acuratețea și cât costă.
Transcrierea în timp real transformă vorbirea în text cât timp persoana încă vorbește. Cuvintele apar pe ecran la câteva clipe după ce au fost rostite, se fixează în rânduri finale și pot fi citite de oricine urmărește. Adaugă traducerea în timp real și fiecare cititor poate urmări aceeași vorbire în propria limbă, ca text sau citită cu voce tare.
Ghidul acoperă transcrierea și traducerea în timp real din ambele părți: ce vede un ascultător, de unde poate veni sunetul, ce decide acuratețea, ce primesc dezvoltatorii de la un API și cât costă.
Transcrierea în timp real, numită și transcriere live sau vorbire în text live, este recunoaștere vocală care rulează cât timp sunetul încă sosește. Un fișier înregistrat poate fi transcris având întreaga înregistrare la îndemână. O transcriere live trebuie să se angajeze la cuvinte având la dispoziție doar ultimele secunde și să țină pasul cu vorbitorul cât timp acesta vorbește.
Subtitrările live sunt același lucru, afișate ca rânduri scurte peste un videoclip sau pe un ecran.
La VocalStack, o transcriere live poate asculta în 100 de limbi. Detectează singură limba vorbită și îl urmărește pe vorbitor dacă trece la alta, lucru pe care cum funcționează detectarea automată a limbii îl explică, împreună cu momentele în care e mai bine să numești limba dinainte.
Textul sosește în două etape. Cele mai noi cuvinte apar mai întâi ca o ciornă, care se mai poate schimba pe măsură ce intră mai mult sunet. Un moment mai târziu, ciorna se fixează într-un rând final care nu se mai schimbă.
Ciorna există pentru că un sistem de recunoaștere decide un cuvânt parțial după ce urmează. „Ice cream” și „I scream” sună la fel până sosește următorul cuvânt. Arătarea timpurie a ipotezei este ceea ce face o transcriere să pară live.
Cât rămâne textul în urma vorbitorului depinde de etapă:
Două întârzieri se află în afara acestui lanț. Când sursa este un stream public, nu un microfon, streamul însuși rămâne deja în urma marginii sale live: o secundă sau trei pentru un stream obișnuit de radio pe internet și de la câteva secunde până la jumătate de minut pentru HLS. Iar la Pay as you go, o transcriere live poate dura până la 15 secunde să pornească. Defalcarea completă, inclusiv modurile de latență Auto, Fast și Accuracy, se află în Întârzierea traducerii live, explicată.
Traducerea rulează peste transcriere. O transcriere live poate fi tradusă în până la 10 limbi simultan, alese din 100. Fiecare ascultător alege una dintre ele pe propriul dispozitiv și o poate schimba oricând; transcrierea de până atunci este afișată din nou în noua limbă.
Fiecare limbă este tradusă din aceeași transcriere, așa că fiecare ascultător primește aceleași cuvinte, iar o corectură ajunge la toți.
Un ascultător care preferă să asculte decât să citească poate avea fiecare rând tradus citit cu voce tare. Implicit, fiecare vorbitor primește o voce standard distinctă, potrivită ca gen, așa că un panel sună în continuare ca mai multe persoane. Cu acordul unui vorbitor, o gazdă poate clona vocea acelui vorbitor din aproximativ 30 de secunde în care vorbește singur, iar traducerea este apoi citită cu propria lui voce.
Regula pentru voci este îngustă intenționat. O voce citește doar ce a spus aceeași persoană, tradus într-o limbă pe care a ales-o ascultătorul. Nu citește niciodată text pe care îl tastează cineva și nu citește niciodată cuvintele unui vorbitor cu vocea altuia.
Cum funcționează asta pentru o sală întreagă, de la configurarea gazdei până la cel care întârzie, se află în Un singur link, fiecare limbă.
O transcriere live are nevoie de o sursă audio. Acestea sunt cele pe care VocalStack le acceptă azi:
Subtitrările din playerul propriu al YouTube, prin butonul lui CC, vin în curând. Până atunci, spectatorii unui stream YouTube urmăresc subtitrările la linkul transmisiunii.
Dacă ai nevoie de transcriere live pe Windows azi, extensia Chrome sau Edge, pluginul OBS și Dashboardul într-un browser funcționează acolo.
O transmisiune este felul în care alți oameni urmăresc o transcriere live. Este un link și un cod QR. Ascultătorii o deschid într-un browser, aleg o limbă și citesc alături. Nu au nevoie de cont, nu instalează nimic și nu costă nimic: factura nu se schimbă cu numărul de ascultători sau de limbi.
O transmisiune este publică implicit și poate fi protejată cu parolă. Dacă îi redenumești linkul, cel vechi continuă să funcționeze, așa că un cod QR tipărit pe un program nu se învechește. O transmisiune poate purta mai multe transcrieri live, așa că două scene pot împărți un singur link.
Un ascultător care ajunge târziu vede tot ce s-a spus înainte să intre, apoi urmărește live. Ulterior, vizualizarea Audience arată cine a ascultat, în ce limbă și când s-a alăturat.
Pentru evenimente, lista de verificare pentru conferințe multilingve acoperă sunetul, scenele și bugetul, iar transcrierea live pentru biserici, amfiteatre și sălile de ședințe ale consiliilor acoperă varianta săptămânală a aceleiași configurări.
Tot ce este mai sus se poate face din cod. Pentru sunet live în propria aplicație, API-ul are sesiuni în timp real: serverul tău face un apel la POST /v1/realtime/sessions cu o cheie API și primește înapoi un streamUrl de scurtă durată. Clientul tău deschide un WebSocket către el, trimite sunet brut pe măsură ce este captat și citește transcrierea înapoi ca cadre JSON.
Cadrele urmează aceleași două etape pe care le vede un cititor. Un transcript.draft înlocuiește coada live, un transcript.committed adaugă un rând final, iar cu traducerea activată sosesc propoziții întregi cu traducerile atașate. Limbile țintă, etichetele de vorbitor și modul de latență pot fi schimbate în mijlocul sesiunii cu session.update.
O sesiune în timp real nu stochează nimic. Când vrei ca cuvintele să fie păstrate, corectate și partajate cu un public, publici în schimb sunetul către o transcriere live și o transmisiune. SDK-urile oficiale pentru TypeScript, Python și PHP le împachetează pe ambele, iar un server MCP lasă un asistent AI să folosească același cont.
Tutorialul WebSocket construiește pas cu pas o vizualizare funcțională de subtitrări, iar referința API are fiecare câmp. Utilizarea API se facturează la același tarif ca Dashboardul.
Acuratețea este decisă în mare parte înainte să ruleze orice sistem de recunoaștere, de sunetul pe care îl primește. Patru lucruri fac cea mai mare diferență.
Microfonul. Un microfon aproape de vorbitor sau un semnal de la pultul de mixaj al locației poartă vocea cu puțin din sală în ea. Un telefon pe o masă aude vorbitorul plus ecou, scaune și tuse. Este cel mai mare factor individual, iar de ce un telefon nu este suficient pentru o sală explică de ce.
Zgomot și suprapunere. Zgomotul de fundal provoacă cuvinte pierdute și inventate, iar două persoane care vorbesc deodată încurcă și cuvintele, și cine le-a spus. Erori de transcriere audio listează șapte cauze frecvente, cum arată fiecare și cum se rezolvă.
Un reference script. Numele și termenii cunoscuți sunt recunoscuți ca atare. Numele produselor unei companii, o abreviere internă sau numele de familie neobișnuit al unui invitat nu pot fi știute dinainte, așa că adaugă un script sau slide-uri înainte să începi, iar numele și termenii din ele sunt scrise exact cum i-ai scris tu.
Etichetele de vorbitor. Etichetele pot fi Off, On sau When Needed, care le activează odată ce se aude un al doilea vorbitor. Diarizarea vorbitorilor și recunoașterea vorbirii explică cum cele două răspunsuri, ce s-a spus și cine a spus, sunt separate și se corectează separat.
Contează și modul de latență: Fast scoate textul mai devreme, dar îl revizuiește mai mult, Accuracy așteaptă ceva mai mult.
O singură cifră de acuratețe spune mai puțin decât pare. Rata erorilor de cuvinte numără un nume greșit la fel ca un „the” pierdut, motiv pentru care ce măsoară rata erorilor de cuvinte și ce ratează pledează pentru a judeca un sistem după ce erori te lasă să observi și să corectezi.
Nicio transcriere live nu este perfectă, așa că ecranul gazdei are o filă Fix. Poate marca cuvintele despre care sistemul de recunoaștere nu a fost sigur, iar orice rând poate fi deschis și corectat. O a doua persoană la pult le poate parcurge cât timp vorbitorul continuă.
Când gazda rescrie un cuvânt sau un rând, chiar și unul încă rostit, fiecare ascultător vede corectura, în fiecare limbă. Un rând auzit cu prea puțină încredere este ascuns ascultătorilor ca „Audio unclear”, în loc să fie arătat greșit; gazda îl vede în continuare.
Înregistrarea este păstrată cu transcrierea, corecturile și traducerile ei. Ulterior poți:
Cât timp sunt păstrate sunetul și transcrierile depinde de plan, iar pagina de prețuri le listează.
Majoritatea instrumentelor de transcriere live arată la fel într-o demonstrație; diferențele ies la iveală în întrebările de mai jos. Coloana din dreapta descrie VocalStack așa cum este azi.
| Întrebare | De ce contează | VocalStack |
|---|---|---|
| Ce limbi poate auzi? | Un instrument care nu poate transcrie limba vorbitorului nu poate ajuta, oricât de bună ar fi traducerea lui. | 100 de limbi, detectate automat, cu schimbare în mijlocul vorbirii |
| Cât rămâne textul în urma vorbitorului? | Cititorii observă mai mult un decalaj care crește decât un cuvânt greșit ocazional. | Textul original cu o fracțiune de secundă în urmă, traducerea o secundă sau două mai târziu; trei moduri de latență |
| Traduce și cine alege limba? | O singură limbă de subtitrare pe un ecran îi lasă pe toți ceilalți pe dinafară. | Până la 10 limbi pe transcriere, fiecare ascultător o alege pe a lui |
| Poate rosti traducerea? | Unii ascultători nu pot citi alături sau preferă să nu o facă. | Voci standard implicit; vocea clonată a unui vorbitor, cu acordul lui |
| Cum ajunge la public? | Aplicațiile și conturile pierd oameni la ușă. | Un link și un cod QR, fără cont, parolă opțională |
| Poți corecta greșelile live? | Un nume auzit greșit și repetat o oră face un rău real. | Corecturi live trimise fiecărui ascultător |
| De unde poate veni sunetul? | Configurația ta nu ar trebui să se schimbe ca să se potrivească instrumentului. | Microfon, extensii de browser, aplicație desktop, OBS, RTMP, linkuri de stream |
| Există un API? | Poate vrei subtitrări în propriul produs. | API REST și WebSocket, SDK-uri, server MCP, același tarif ca Dashboardul |
| Cum se tarifează? | Prețurile pe ascultător sau pe loc cresc odată cu publicul tău. | Pe secundă de sunet; ascultătorii și limbile gratuite |
La VocalStack plătești pe secundă de sunet transcris. La momentul scrierii, transcrierea live costă $0.60 pe oră, iar fișierele $0.20 pe oră, la fiecare plan, în Dashboard și prin API deopotrivă. Traducerea, vocile, rezumatele, transmisiunea și ascultătorii nu măresc niciodată factura, așa că o prezentare de o oră citită de 200 de persoane în cinci limbi costă aceiași $0.60 ca una citită de nimeni.
Planurile diferă în câteva privințe:
Dacă nimeni nu trebuie să citească alături în timp real, încarcă înregistrarea după aceea, la tariful de fișiere. Prețurile curente, păstrarea și limitele fiecărui plan sunt pe pagina de prețuri.
Un cont VocalStack nou vine cu $5 credit de înscriere și nu cere card. La $0.60 pe oră asta înseamnă aproximativ opt ore de transcriere live, cu traducerea și transmisiunea incluse. După aceea plătești pe secundă. Ascultătorii sunt mereu gratuiți.
Da. O transcriere live poate fi tradusă în până la 10 limbi simultan cât timp persoana vorbește. Traducerea apare la o secundă sau două după textul original, iar fiecare ascultător își alege propria limbă.
Depinde mai ales de sunet. Un microfon apropiat sau un semnal de la pult, puțin zgomot de fond, o singură persoană care vorbește odată și un reference script cu numele în el dau cele mai bune rezultate. Corecturile live îi permit unei gazde să repare ce este încă greșit cât timp vorbirea continuă.
Textul în limba originală rămâne în urma vorbitorului cu o fracțiune de secundă, iar traducerile urmează o secundă sau două mai târziu. Un stream public adaugă propria întârziere înainte ca sunetul să ajungă la VocalStack.
Da, prin extensia Chrome sau Edge, pluginul OBS Studio sau Dashboardul într-un browser. Aplicația desktop este azi pe macOS, iar Windows vine în curând.
Nu. Ascultătorii deschid linkul transmisiunii sau scanează codul ei QR într-un browser, aleg o limbă și citesc. Nu e nimic de instalat.
Deschide Dashboardul, pornește o transcriere live de la microfon și deschide linkul ei de transmisiune pe telefon. Creditul de înscriere acoperă primele ore, iar tu poți vedea singur cum ciornele se fixează și traducerea urmează.