Acuratețea traducerii live se decide în mare parte înainte ca vreun model să ruleze, prin poziția microfonului. Ia sunetul de la pultul de mixaj, nu de pe un loc din rândul doisprezece, transcrie-l o singură dată, și o greșeală devine o linie pe care cineva o poate corecta pentru toată lumea.
Aplicațiile de traducere încorporate în telefoane sunt o realizare reală. Multe rulează un model de recunoaștere a vorbirii suficient de mic cât să încapă pe dispozitiv și în bateria lui (unele trimit sunetul către un server atunci când există conexiune), iar pentru propoziții scurte, clare, de zi cu zi fac treaba: să întrebi drumul, să citești un meniu, o conversație peste un tejghea.
O sală plină de oameni care ascultă un singur vorbitor este o problemă diferită. Lucrurile care merg prost în vorbirea reală sunt exact cele la care un model mic se descurcă cel mai slab: cuvinte rare și nume proprii, cuvinte care sună la fel („their” și „there”, „sail” și „sale”), termeni tehnici, accente, oameni care vorbesc peste alții și zgomot de fond. La un club de yachting, un model care aude „sale” a făcut o presupunere rezonabilă și o greșeală cu încredere.
Două lucruri îl fac pe modelul mic să ghicească mai mult decât unul mare. A fost comprimat ca să încapă în telefon, deci cunoaște mai puține cuvinte și mai puține moduri de a le rosti; aproximează un nume de familie pe care nu l-a mai întâlnit, doar după sunete. Iar recunoașterea live trebuie să se angajeze la un cuvânt înainte ca restul propoziției să sosească, deci modelul nu poate folosi ce ar fi lămurit „sail” față de „sale”: cuvintele care urmează sau un scenariu care spune despre ce este discursul. În recunoașterea vorbirii, contextul înseamnă exact aceste două lucruri: cuvintele din jur și ce se știe dinainte.
Când modelul nu este sigur, ghicește. Traducerea se construiește atunci pe ghicitură, iar persoana care o citește nu are nicio cale să afle. Nimeni din sală nu poate vedea că o linie a fost greșită, cu atât mai puțin să o repare. Și o sală nu are un singur ascultător, ci cincizeci.
Telefonul aude sala, nu vorbitorul. Distanța este motivul: un microfon de piept sau de birou stă la câțiva centimetri de gură, în timp ce un telefon din rândul doisprezece se află la zece metri sau mai mult, iar cea mai mare parte a sunetului care ajunge la el a sărit mai întâi de pe pereți, de pe tavan și de pe spătarele scaunelor. Sunetul reflectat ajunge târziu și estompat. Pe deasupra, telefonul prinde pe cineva care tușește cu două rânduri mai în spate, murmurul unui vecin și ce fac boxele cu vocea pe drumul ei prin sală. Fiecare loc primește o înregistrare ușor diferită, deci fiecare loc primește o transcriere ușor diferită.
Un telefon traduce, de asemenea, pentru o singură persoană. Cincizeci de participanți care țin în sus cincizeci de telefoane produc cincizeci de transcrieri independente ale aceluiași discurs, fiecare cu alte greșeli. Doi oameni care își compară notițele după aceea nu vor fi de acord asupra a ceea ce s-a spus. Vorbitorul, între timp, vorbește unui perete de telefoane ridicate, un public greu de citit.
Pentru unii oameni din sală, asta este mai mult decât un inconvenient; decide dacă pot urmări discursul deloc. Un participant cu deficiențe de auz sau cineva care urmărește într-o a treia limbă are nevoie de un singur text corect, comun, nu de cincizeci de încercări aproximative. Asta înseamnă să transcrii vorbitorul o singură dată și să dai tuturor același rezultat. Transcrierea o singură dată aduce beneficii doar dacă este făcută bine, iar asta începe cu locul de unde vine sunetul.
Transcrierea nu este mai bună decât sunetul din care este făcută. Așa că prima decizie nu este ce model să folosești, ci ce semnal să îi dai. A doua este ce să-i spui modelului înainte să înceapă.
O transcriere live își ia sunetul de unde există deja semnalul curat:
VocalStack trage singur un stream dintr-un URL, deci nu rulează nimic pe partea ta. Un flux RTMP funcționează invers: encoder-ul tău îl trimite. Limba vorbitorului este detectată automat, iar el poate schimba limba oricând. Dacă știi limba și înregistrarea este zgomotoasă sau cu accent puternic, numirea ei îmbunătățește acuratețea.
Sunetul curat elimină greșelile cauzate de sală. Nu face nimic pentru greșelile cauzate de vocabular, iar acelea au nevoie de un alt fel de ajutor.
Un telefon nu știe cine vorbește și despre ce este discursul, deci un nume de produs sau un nume de familie este doar un alt sunet pe care trebuie să-l aproximeze. O transmisiune poate fi informată dinainte despre ce să aștepte.
Dacă adaugi un scenariu sau slide-uri înainte de a porni, numele și termenii din ele au prioritate față de ce a auzit greșit motorul. În timpul înregistrării, tabul Script urmărește vorbitorul ca un teleprompter. Acesta este cel mai mare câștig de acuratețe, singur, pentru tipul de vorbire care umple conferințele și cursurile: dens în substantive proprii și în vocabular pe care niciun model general nu l-a auzit suficient de des.
Audio bun și un glosar elimină cele mai multe erori. Întrebarea este ce se întâmplă cu erorile care rămân.
Chiar și cu audio bun și un scenariu, unele linii vor ieși greșit. Diferența este ce se întâmplă apoi.
Pe telefon, nimic. Linia greșită trece pe ecran, iar traducerea construită pe ea trece și ea.
Într-o transmisiune, o linie prea neclară ca să merite afișată este ascunsă ascultătorilor cu mesajul „Audio unclear”, în loc să fie prezentată drept fapt.
Apoi există gazda, care are tabul Fix: cuvintele pe care motorul nu a fost sigur de ele pot fi colorate și subliniate, un clic deschide o linie pentru verificare, iar orice cuvânt sau linie poate fi rescris cât timp transcrierea este încă live. Fiecare ascultător vede corectura în propria limbă. Fiecare corectură este marcată și poate fi anulată.
Ideea nu este că un server nu greșește niciodată. Ideea este că o greșeală este vizibilă, are un responsabil în sală și este reparată o singură dată, pentru toată lumea.
Corecturile repară ce citesc ascultătorii. Ascultătorii care ar prefera să audă discursul primesc același text corectat, rostit.
Un ascultător care preferă să asculte în loc să citească poate avea fiecare linie tradusă citită cu voce tare. Implicit, fiecare vorbitor primește o voce predefinită distinctă, de gen potrivit, astfel încât un panel să sune tot a panel. Poți atribui o voce fiecărui vorbitor sau poți să-l dezactivezi.
Cu permisiunea vorbitorului, poți merge mai departe și îi poți clona vocea din treizeci de secunde de vorbire, fie încărcate ca un clip, fie luate direct de la un vorbitor dintr-o înregistrare; câteva minute dau un rezultat mai bun. Traducerea este apoi citită cu vocea vorbitorului, în fiecare limbă. Un vorbitor cu o voce salvată poate fi recunoscut și în înregistrările ulterioare, deși sistemul preferă să lase un vorbitor nenumit decât să numească greșit o persoană.
Se aplică două reguli, și sunt deliberate. O voce clonată este un dat biometric: se creează doar cu acordul explicit al vorbitorului și poate fi ștearsă oricând. Iar o voce rostește doar o transcriere sau traducerea ei; nu poate fi făcută să spună ceva ce proprietarul ei nu a spus niciodată.
Tot ce s-a discutat până acum se întâmplă cât timp vorbitorul vorbește. Ultima diferență apare după ce el se oprește.
Cele cincizeci de transcrieri de pe telefon dispar când aplicațiile se închid. O transmisiune păstrează înregistrarea în biblioteca ta: sunetul și transcrierea, cu fiecare corectură și traducere. Acolo poate fi redată linie cu linie, căutată în orice limbă și exportată; pasul cu pas din Un singur link, în fiecare limbă explică ce face biblioteca. Ascultătorii nu costă nimic, oricât de mulți ar fi. Plătești pentru audio transcris, cu $0.60 pe oră pentru live, cu un minim de 5 minute pe transcriere, iar pagina de prețuri are tabelul complet de tarife.
Un telefon în fiecare mână este în continuare o rezervă bună pentru o conversație de hol. Pentru o sală care trebuie să înțeleagă împreună un singur vorbitor, vorbitorul trebuie transcris o singură dată, de la sursă, cu cineva care poate repara ce merge prost. Poți vedea cum arată asta în demo-ul interactiv de pe pagina principală.
