Многоязычному залу не нужна кабина на каждый язык. Нужны один чистый звуковой сигнал со стола, одна ссылка, которую слушатели открывают на своих телефонах, и возможность поправить неверно расслышанное имя, пока выступление идёт.
У доклада, богослужения, лекции или заседания совета один говорящий и аудитория, которая не вся понимает этот язык. Обычные решения дороги, неполны или приватны.
Дорогой ответ — переводчик на каждый язык. Даже с одним переводчиком на язык нужны кабина, комплект наушников и специалист для каждого языка в зале, и эти специалисты говорят не одно и то же. Каждый переводчик в условиях нехватки времени делает свой выбор: какое слово взять для термина, что сократить, что опустить, когда спикер ускоряется. На обычном докладе разница почти не важна. На слушании в суде, голосовании в совете или техническом брифинге — важна: определённый термин, дозировка или пункт договора могут дойти до французских слушателей с одним смыслом, а до арабских — с другим, и никто в зале не в состоянии это заметить. Частичный ответ — лента субтитров на одном экране, только на один второй язык. Приватный ответ — пятьдесят телефонов, поднятых к залу: пятьдесят немного неверных расшифровок, и каждый телефон слышит эхо и кашель так же отчётливо, как спикера.
Альтернатива — один раз расшифровать речь спикера из чистого источника, перевести эту одну расшифровку на любые языки, которые нужны аудитории, так что каждый язык начинается с одних и тех же слов, и дать каждому слушателю выбрать язык на своём устройстве. Запись сохраняется по окончании мероприятия. Ниже описано, как настроить всё ведущему и слушателю и во что это обходится.
Живая транскрибация может слушать микрофон на любом устройстве, RTMP-поток из OBS или любого другого энкодера, который принимает адрес сервера и ключ потока, прямой эфир YouTube, интернет-радиостанцию или любой URL, по которому отдаётся поток. Для потока VocalStack забирает звук сам; с вашей стороны ничего не запускается.
Источник важнее любой настройки. Микрофон в зале или телефон на столе слышат говорящего вместе с залом: реверберацию от стен, стульев, аудитории. Распознавание речи заметно ухудшается, когда голос становится тише по сравнению с этим шумом, — поэтому пятьдесят телефонов и расходятся между собой. Сигнал с микшерского пульта несёт микрофон самого спикера с небольшой примесью зала, так что расшифровка следует за спикером, а не за залом. Если в площадке есть пульт, берите сигнал с него.
Язык речи определяется автоматически, и спикер может переключиться в любой момент; если назвать язык заранее, это помогает на шумных записях и при сильном акценте. Метки говорящих можно выключить, включить или выбрать When Needed, и тогда они включатся, как только заговорит второй спикер. Когда звук уже поступает, аудитории нужно, где его найти.
Трансляция — это и есть ссылка: один адрес и QR-код, который слушатели сканируют, чтобы открыть живой перевод и выбрать язык. Ссылка создаётся из названия, которое вы даёте трансляции. Если переименовать её позже, старая ссылка продолжит работать, поэтому QR-код, напечатанный в программке, не устареет.
По умолчанию трансляция публичная: открыть её может любой, у кого есть ссылка. Если сделать её закрытой и задать пароль, слушатели будут вводить его до того, как появится расшифровка.
Одну трансляцию могут питать несколько живых транскрибаций, поэтому конференция с двумя сценами всё равно использует одну ссылку. Ссылка впускает людей, а удерживает их то, насколько верно переданы имена.
Системы распознавания речи обучены на том, как люди обычно говорят, поэтому, когда звук неоднозначен, они берут распространённое слово. Название продукта, фамилия, деревня, химическое вещество: у каждого есть более частое созвучное слово, и именно оно и выйдет, если распознаванию не сказать, что редкое слово вот-вот прозвучит. Для этого и нужен сценарий. Добавьте сценарий или слайды до начала, и имена и термины из них перевесят то, что было расслышано неверно. Именно на этих именах и терминах распознавание обычно подводит в узкоспециальном докладе. Во время записи вкладка Script следует за текстом, как телесуфлёр, подсвечивая уже прозвучавшие слова.
Это вся настройка. По другую сторону ссылки делать и того меньше.
Слушателю нужны ссылка или QR-код и телефон. Он открывает ссылку в браузере и видит The broadcast hasn't started yet, пока ведущий не нажмёт запись, а затем Live. The first line appears in a moment. Он выбирает из языков, которые выбрал ведущий (до 10 на транскрибацию из 100 доступных), и читает расшифровку по ходу речи спикера. Ведущий продолжает говорить на своём языке. Слушатель может сменить язык в любой момент; уже прозвучавший текст снова показывается на новом языке.
Если слушатель предпочитает слушать, каждая переведённая строка читается вслух. По умолчанию каждому спикеру назначается отдельный стандартный голос того же пола, поэтому панель по-прежнему звучит как панель.
Три этапа идут по порядку, и каждый ждёт предыдущего. Распознаванию нужен отрезок речи, прежде чем оно сможет зафиксировать слова, поэтому расшифровка отстаёт от спикера на долю секунды. Переводу нужна целая фраза, потому что порядок слов в языках разный и конец предложения может изменить его начало, поэтому он отстаёт на секунду-другую. Озвучке нужно переведённое предложение, прежде чем начаться, поэтому произнесённая строка идёт последней. Ничего из этого не нужно устранять настройками: так работает любая система, которая делает эти три вещи, включая живого переводчика, который тоже ждёт глагола.
С согласия спикера ведущий может клонировать его голос по тридцати секундам речи только этого человека (MP3, M4A или WAV; лучше несколько минут). Тогда перевод на каждом языке читается голосом самого спикера. Относитесь к голосу как к биометрическим данным, каковыми он и является. По GDPR голосовые данные, обработанные для распознавания человека, как правило, относятся к специальным категориям статьи 9, а некоторые штаты США, в том числе Иллинойс, регулируют голосовые отпечатки отдельно. Получите явное согласие спикера до записи образца, а не после; голос можно удалить в любой момент. Клонирование также регистрирует спикера, поэтому в будущих записях его подписывают по имени. Ведущий может назначить голос каждому спикеру или заглушить одного из них.
Слушатель, который пришёл позже, видит весь текст, сказанный до его прихода, а затем идёт вслед за речью в реальном времени. Если соединение прерывается, страница сама догоняет текст, как только связь восстанавливается. Когда ведущий ставит паузу, слушатели видят Paused. The transcript continues when the host resumes. Когда ведущий останавливает трансляцию, страница показывает дату и длительность записи, а в трансляции появляется список прошлых записей для повторного просмотра.
Слушатель может читать только то, что услышал движок, а живое распознавание часть из этого передаёт неверно.
Для этого на экране ведущего есть вкладка Fix. Mark uncertain words окрашивает и подчёркивает слова, в которых движок не уверен; Click to correct открывает строку для проверки. Вкладка проходит по неуверенным фрагментам по одному, так что второй человек за пультом может разбирать их, пока спикер продолжает говорить.
Когда ведущий переписывает слово или строку, даже ту, которую ещё произносят, каждый слушатель видит исправление. Строка с недостаточной уверенностью скрывается от слушателей и помечается как Audio unclear, а не показывается с ошибкой; ведущий при этом видит каждое слово. Пустое место — известный пробел; а уверенно произнесённое неверное слово — это уже слух.
Эти исправления не пропадают, когда выступление заканчивается.
Всё сохраняется. Запись, её расшифровка с исправлениями и переводами и звук попадают в библиотеку ведущего. Повтор воспроизводит всё ровно так, как оно поступило, строка за строкой, вместе со звуком. Когда текст окончательно готов, название и сводка пишутся на каждом языке, и вкладки Сводка и Экспорт на экране ведущего выводят их сразу после мероприятия.
Экспортируются субтитры SRT, PDF, Excel или JSON, с исправлениями и переводами, а звук скачивается в MP3. По любой расшифровке можно искать на любом языке.
Вкладка Audience показывает, кто слушал, на каком языке и когда подключился: часто это первый реальный подсчёт, который получает организатор, о том, кому какой язык нужен. До этого обычно оценивали по тем, кто поднимал руку, когда по-английски спрашивали, нужен ли перевод. Идентификаторы слушателей удаляются вместе с записью.
Распознавание речи, распознавание говорящих и синтез голоса работают на серверах, которые мы эксплуатируем, и ваш звук не передаётся третьим сторонам для обработки. Мы не используем ваш звук, расшифровки или голоса для обучения моделей.
Срок хранения зависит от тарифа: на Pay as you go исходный звук и голоса хранятся 7 дней, а расшифровки 30 дней; на Premium и Enterprise всё хранится, пока существует аккаунт. Второе, что определяет тариф, — счёт.
Важны два числа. На Pay as you go и Premium живая транскрибация стоит $0.60 за час звука; оплата посекундная, с минимумом 5 минут на транскрибацию, в панели управления VocalStack и через API одинаково. У Enterprise объёмные тарифы. Слушатели и языки бесплатны: часовое мероприятие, которое две сотни человек слушают на пяти языках, стоит $0.60. Файлы дешевле ($0.20 за час), потому что живая транскрибация идёт в реальном времени всё время мероприятия. Тарифы различаются по числу одновременных транскрибаций, максимальной длине записи и скорости запуска; на Pay as you go холодный старт может занять до 15 секунд, поэтому нажмите запись чуть раньше спикера, примерно за одну фразу «Всем в конце зала слышно?». Полная таблица — на странице цен.
На главной странице есть демо с двумя телефонами, а новый аккаунт в панели управления VocalStack получает приветственный кредит $5 при регистрации и не требует карты. По живому тарифу этого кредита хватит больше чем на восемь часов трансляций.
Выбираете между этим и встроенным в телефон живым переводом? Прочитайте почему телефона недостаточно для зала. Для полного мероприятия чек-лист многоязычной конференции охватывает путь звука, несколько сцен на одной ссылке и бюджет. Разработчики могут сделать всё это из кода через справочник API по тем же ценам.
