Viacjazyčná miestnosť nepotrebuje kabínu pre každý jazyk. Potrebuje jeden čistý zvukový signál z pultu, jeden odkaz, ktorý si publikum otvorí vo vlastnom telefóne, a spôsob, ako opraviť zle vypočuté meno, kým rozprava ešte beží.
Prejav, bohoslužba, prednáška alebo zasadnutie zastupiteľstva má jedného hovoriaceho a publikum, ktoré nie všetci myslia v jeho jazyku. Obvyklé riešenia sú drahé, čiastočné alebo súkromné.
Drahé riešenie je tlmočník pre každý jazyk. Aj keď je jeden pre každý jazyk, ide o kabínu, sadu prijímačov a špecialistu na každý jazyk v miestnosti, a títo špecialisti nehovoria to isté. Každý tlmočník si pod časovým tlakom robí vlastné rozhodnutia: akým slovom preložiť pojem, čo skrátiť, čo vynechať, keď rečník zrýchli. Pri bežnom prejave na tom veľmi nezáleží. Pri súdnom pojednávaní, hlasovaní zastupiteľstva alebo odbornom brífingu však záleží: definovaný pojem, dávkovanie alebo paragraf môže poslucháčom hovoriacim francúzsky prísť s jedným významom a poslucháčom hovoriacim arabsky s iným, a nikto v miestnosti si to nemá ako všimnúť. Čiastočné riešenie je pás titulkov na jednej obrazovke v jednom druhom jazyku. Súkromné riešenie je päťdesiat telefónov natiahnutých k miestnosti: päťdesiat mierne chybných prepisov, pričom každý telefón počuje ozvenu a kašeľ rovnako dobre ako rečníka.
Alternatíva je prepísať rečníka raz, z čistého zdroja, a tento jeden prepis preložiť do jazykov, ktoré publikum potrebuje. Všetky jazyky tak vychádzajú z tých istých slov a každý poslucháč si vyberie na vlastnom zariadení. Nahrávka sa po skončení podujatia uchová. Nižšie je uvedené, ako si to nastaví hostiteľ a poslucháč a čo to stojí.
Živý prepis môže počúvať mikrofón na ľubovoľnom zariadení, RTMP signál z OBS alebo iného enkodéra, ktorý prijíma adresu servera a kľúč streamu, živé vysielanie na YouTube, internetovú rozhlasovú stanicu alebo ľubovoľnú URL, ktorá poskytuje stream. Pri streame si zvuk stiahne VocalStack sám; na vašej strane nič nebeží.
Zdroj záleží viac než ktorékoľvek nastavenie. Miestnostný mikrofón alebo telefón na stole počuje rečníka aj miestnosť: dozvuk od stien, stoličiek a publika. Rozpoznávanie reči sa pri pomere hlasu k tomuto šumu výrazne zhoršuje, preto sa tých päťdesiat telefónov navzájom nezhoduje. Signál z mixážneho pultu nesie mikrofón rečníka s malou časťou miestnosti, takže prepis sleduje rečníka, nie miestnosť. Ak má miesto pult, vezmite signál z neho.
Jazyk rozprávania sa zisťuje automaticky a rečník môže kedykoľvek prejsť na iný; ak ho uvediete vopred, pomôže to pri hlučných nahrávkach a silnom prízvuku. Označovanie rečníkov môže byť vypnuté, zapnuté alebo When Needed, čo ho zapne, keď sa ozve druhý rečník. Keď zvuk prichádza, publikum potrebuje miesto, kde ho nájde.
Vysielanie je odkaz: jedna adresa a QR kód, ktorý poslucháči naskenujú, aby otvorili živý preklad a vybrali si jazyk. Odkaz vzniká z názvu, ktorý vysielaniu dáte. Ak ho neskôr premenujete, starý odkaz ďalej funguje, takže QR kód vytlačený na programe nezastará.
Vysielanie je predvolene verejné: ktokoľvek s odkazom ho môže otvoriť. Ak ho nastavíte ako súkromné a zadáte heslo, poslucháči ho pred zobrazením prepisu musia zadať.
Jedno vysielanie môže napájať niekoľko živých prepisov, takže konferencia s dvoma pódiami zdieľa jeden odkaz. Odkaz ľudí privedie; to, čo ich udrží, je správne meno.
Rozpoznávače reči sa učia na tom, ako ľudia bežne hovoria, takže pri nejednoznačnom zvuku siahnu po bežnom slove. Názov produktu, priezvisko, obec, chemická látka: každé z nich má častejšie znejúci výraz, a ten sa objaví, pokiaľ rozpoznávač nedostane vopred informáciu, že príde vzácne slovo. Na to slúži skript. Pridajte skript alebo prezentáciu pred spustením a mená a pojmy v nich prevážia nad tým, čo sa zle vypočulo. Práve tam rozpoznávanie na odbornom prejave zvyčajne zlyháva. Počas nahrávania karta Script sleduje reč ako teleprompter a zvýrazňuje slová, ktoré už odzneli.
To je celé nastavenie. Na druhej strane odkazu je ešte menej práce.
Poslucháč potrebuje odkaz alebo QR kód a telefón. Otvorí odkaz v prehliadači a uvidí Vysielanie sa ešte nezačalo, kým hostiteľ nestlačí nahrávanie; potom uvidí Naživo. Prvý riadok sa zobrazí o chvíľu. Vyberie si z jazykov, ktoré hostiteľ zvolil (až 10 na prepis zo 100 dostupných), a číta prepis, ako rečník hovorí. Hostiteľ hovorí ďalej vo svojom jazyku. Poslucháč môže jazyk kedykoľvek zmeniť; doterajší prepis sa zobrazí znova v novom jazyku.
Ak poslucháč radšej počúva, každý preložený riadok sa prečíta nahlas. Predvolene dostane každý rečník odlišný štandardný hlas zodpovedajúceho pohlavia, takže panel stále znie ako panel.
Tri fázy prebiehajú v poradí a každá čaká na predchádzajúcu. Rozpoznávanie potrebuje kus reči, kým sa môže zaviazať ku slovám, takže prepis zaostáva za rečníkom o zlomok sekundy. Preklad potrebuje celú frázu, pretože poradie slov sa medzi jazykmi líši a koniec vety môže zmeniť začiatok, takže prichádza o sekundu či dve neskôr. Reč potrebuje preloženú vetu, kým sa môže začať, takže hovorený riadok prichádza ako posledný. Nie je to chyba, ktorú by bolo treba vyladiť; je to to, čo musí každý systém robiaci tieto tri veci, vrátane ľudského tlmočníka, ktorý tiež čaká na sloveso.
Ak s tým rečník súhlasí, môže hostiteľ naklonovať jeho hlas z tridsiatich sekúnd, počas ktorých hovorí sám (MP3, M4A alebo WAV; lepšie je niekoľko minút). Preklad sa potom číta v hlase rečníka vo všetkých jazykoch. S hlasom zaobchádzajte ako s biometrickými údajmi, akými naozaj sú. Podľa GDPR údaje o hlase spracované na rozpoznanie osoby spravidla patria do osobitných kategórií podľa článku 9 a niektoré americké štáty, medzi nimi Illinois, upravujú hlasové odtlačky osobitne. Získajte výslovný súhlas rečníka pred nahratím vzorky, nie až po ňom; hlas možno kedykoľvek vymazať. Klonovanie tiež rečníka zaeviduje, takže bude pri budúcich nahrávkach označený menom. Hostiteľ môže každému rečníkovi priradiť hlas alebo ho stlmiť.
Poslucháč, ktorý príde neskoro, uvidí všetko, čo odznelo pred jeho príchodom, a potom sleduje naživo. Ak spojenie padne, stránka sa po jeho obnovení dobehne sama. Keď hostiteľ pozastaví, poslucháči vidia Pozastavené. Prepis pokračuje, keď hostiteľ obnoví prenos. Keď hostiteľ ukončí vysielanie, stránka ukáže dátum a dĺžku nahrávky a vysielanie vypíše minulé nahrávky na opätovné prehratie.
Poslucháč môže čítať len to, čo motor počul, a živé rozpoznávanie niečo z toho zle pochopí.
Obrazovka hostiteľa má na to kartu Fix. Mark uncertain words zafarbí a podčiarkne slová, o ktorých si motor nebol istý; Click to correct otvorí riadok na kontrolu. Karta prechádza neisté úseky jeden po druhom, takže druhá osoba pri pulte ich môže spracovať, kým rečník pokračuje.
Keď hostiteľ prepíše slovo alebo riadok, aj keď ešte len zaznieva, každý poslucháč vidí opravu. Riadok s príliš nízkou istotou je pred poslucháčmi skrytý ako Zvuk nie je zrozumiteľný namiesto toho, aby sa zobrazil nesprávne; hostiteľ vidí každé slovo. Medzera je známa diera; sebaisté nesprávne slovo je fáma.
Tieto opravy nezmiznú, keď rozprava skončí.
Všetko sa uchová. Nahrávka, jej prepis s opravami a prekladmi a zvuk pristanú v knižnici hostiteľa. Opätovné prehratie ju prehrá presne tak, ako prišla, riadok po riadku, so zvukom. Keď sú slová konečné, napíše sa názov a zhrnutie vo všetkých jazykoch a karty Summary a Export na obrazovke hostiteľa ich vynesú priamo z podujatia.
Exporty sú titulky SRT, PDF, Excel alebo JSON vrátane opráv a prekladov a zvuk sa stiahne ako MP3. Každý prepis sa dá prehľadávať v ľubovoľnom jazyku.
Zobrazenie Audience ukazuje, kto počúval, v akom jazyku a kedy sa pripojil: často je to prvý skutočný počet, ktorý organizátor dostane o tom, kto potreboval aký jazyk. Dovtedy bol obvyklým odhadom počet ľudí, ktorí na otázku v angličtine, či potrebujú preklad, zdvihli ruku. Identifikátory poslucháčov sa mažú spolu s nahrávkou.
Rozpoznávanie reči, rozpoznávanie rečníkov a syntéza hlasu bežia na serveroch, ktoré prevádzkujeme, a váš zvuk sa nepošle na spracovanie žiadnej tretej strane. Vaše zvukové záznamy, prepisy ani hlasy nepoužívame na trénovanie modelov.
Uchovávanie sa riadi plánom: pri pláne Pay as you go sa zdrojový zvuk a hlasy uchovávajú 7 dní a prepisy 30 dní; plány Premium a Enterprise ich uchovávajú po celý život účtu. Druhou vecou, ktorú plán rozhoduje, je účtovanie.
Záleží na dvoch číslach. Pri pláne Pay as you go a Premium stojí živý prepis $0.60 za hodinu zvuku, účtovaný po sekundách s minimom 5 minút na prepis, v nástenke aj cez API rovnako; Enterprise má objemové sadzby. Poslucháči a jazyky sú zadarmo: jednohodinové podujatie prečítané v piatich jazykoch dvomi stovkami ľudí stojí $0.60. Súbory sú lacnejšie ($0.20 za hodinu), pretože živý prepis beží v reálnom čase počas celého podujatia. Plány sa líšia súbežnosťou, maximálnou dĺžkou nahrávky a rýchlosťou spustenia; pri pláne Pay as you go môže studený štart trvať až 15 sekúnd, takže stlačte nahrávanie trochu skôr než rečník, zhruba o jedno „Počuje ma každý vzadu?“ skôr. Úplná tabuľka je na cenníkovej stránke.
Domovská stránka obsahuje ukážku s dvoma telefónmi a nový účet v nástenke prichádza s kreditom $5 pri registrácii a nevyžaduje kartu. Pri živej sadzbe tento kredit pokryje viac než osem hodín vysielania.
Rozhodujete sa medzi týmto a živým prekladom vstavaným v telefóne každého? Prečítajte si, prečo telefón na miestnosť nestačí. Pri celom podujatí pokrýva kontrolný zoznam pre viacjazyčnú konferenciu zvukovú cestu, viac fáz na jednom odkaze a rozpočet. Vývojári môžu všetko toto robiť z kódu cez referenciu API za rovnakú sadzbu.
