Работать с речью просто

Часто задаваемые вопросы

В моём телефоне уже есть живой перевод — зачем мне VocalStack?

Телефон использует небольшую речевую модель, которая должна уместиться в устройстве и не разрядить батарею. Для коротких, чётких, повседневных фраз этого достаточно. Но не для того, что действительно идёт не так в живой речи: редкие слова и имена, похожие по звучанию слова («луг» и «лук», «плод» и «плот»), технические термины, акценты, люди, перебивающие друг друга, и фоновый шум. Модель угадывает, перевод строится на догадке, и никто в зале не видит, что она ошиблась.

VocalStack работает на серверах, поэтому модели полноразмерные, а каждая реплика после распознавания проверяется по контексту. Загрузите заранее сценарий или слайды — и имена и термины из них окажутся важнее того, что было расслышано неверно. Если что-то всё же получилось не так, вы можете исправить реплику прямо в эфире, и каждый слушатель увидит исправление.

Кроме того, телефон слышит зал, а не говорящего, и переводит для одного человека — так что пятьдесят телефонов дают пятьдесят разных расшифровок. VocalStack берёт звук напрямую с микшерного пульта, потока или микрофона, расшифровывает говорящего один раз, и все читают или слушают одно и то же на своём языке. Перевод озвучивается собственным голосом говорящего, поэтому слушатели слышат человека на сцене, а не безликий робоголос.

Нужно ли платить за каждого слушателя? Как устроены цены?

Нет. Слушатели бесплатны — сколько бы их ни было и на каком бы языке они ни читали или слушали. Вы платите за расшифрованный звук — посекундно, минимум 5 минут за транскрипцию, и это весь счёт: перевод на 10 языков, голосовой перевод, трансляции, краткое содержание и экспорт уже включены.

Цены и тарифы

Для файлов и живой транскрибации действуют разные ставки, одинаковые на всех тарифах, а тариф Premium включает $50 кредитов каждый месяц. Возможности на всех тарифах одинаковые, а API оплачивается по той же ставке, что и панель управления.

Что нужно слушателям, чтобы следить за эфиром?

Ссылка или QR-код и телефон. Ничего не нужно устанавливать и не нужно создавать аккаунт. Слушатель открывает ссылку в браузере, выбирает язык и читает расшифровку по ходу речи. Если удобнее слушать, каждая переведённая реплика ещё и озвучивается. Язык можно сменить в любой момент — уже прозвучавший текст будет заново показан на новом.

Слушатель, который подключился позже, видит всё, что было сказано до него, а затем следит в реальном времени. Если связь прервётся, страница сама догонит эфир, когда она восстановится.

Звук обязательно должен идти с микрофона?

Нет. Живая транскрибация может принимать звук с микрофона любого устройства, RTMP-поток из OBS или вещательного энкодера, YouTube Live, интернет-радиостанцию или любой URL с потоком. Звук из потока VocalStack забирает сам: на вашей стороне ничего не запускается.

Одну ссылку трансляции могут питать несколько транскрибаций, так что конференция с двумя сценами или станция с радиопотоком и YouTube Live всё равно используют одну ссылку.

Можно ли управлять тем, кто видит расшифровку?

Да. По умолчанию трансляция публичная: следить за ней может любой, у кого есть ссылка. Сделайте её закрытой и задайте пароль — войдут только те, кому вы дадите и то и другое. Если потом переименовать ссылку, старая продолжит работать. Вы также видите, кто слушает, на каком языке и когда подключился.

Слушатель слышит настоящего говорящего или синтезированный голос?

И то, и другое. По умолчанию каждому говорящему назначается свой стандартный голос соответствующего пола, так что дискуссия по-прежнему звучит как дискуссия. С разрешения говорящего можно клонировать его голос по тридцати секундам записи — и тогда перевод на всех языках звучит его собственным голосом. Клонированный голос также означает, что в будущих записях говорящий будет распознан и подписан по имени. Вы можете назначить голос каждому говорящему или отключить одного из них.

Что сохраняется после мероприятия?

Всё. Запись, её расшифровка с исправлениями и переводами, а также звук хранятся в вашей библиотеке. Заголовок и краткое содержание создаются, когда текст окончательный, — на всех языках. Запись можно воспроизвести так, как она шла, искать по всем расшифровкам на своём языке и экспортировать в виде субтитров SRT, PDF, Excel или JSON.

Можно ли встроить это в свой продукт?

Да. Всё, что умеет панель управления, доступно через API по той же ставке: транскрибация в реальном времени через WebSocket, живые транскрибации с трансляциями, перевод и голосовой перевод, задания для файлов и ссылок, а также MCP-сервер. Официальные SDK для TypeScript и Python включены. Слушатели могут подписаться на запись из вашего приложения по коду доступа, без API-ключа.