Prepis a preklad v reálnom čase: ako funguje reč na text naživo, ako veľmi zaostáva, čo ovplyvňuje presnosť a koľko to stojí.
Prepis v reálnom čase mení reč na text, kým človek ešte hovorí. Slová sa objavia na obrazovke chvíľu po vyslovení, usadia sa do konečných riadkov a prečíta ich každý, kto sleduje. Pridajte preklad v reálnom čase a každý čitateľ môže tú istú reč sledovať vo vlastnom jazyku, ako text alebo nahlas.
Tento sprievodca sa zaoberá prepisom a prekladom v reálnom čase z oboch strán: čo vidí poslucháč, odkiaľ môže prichádzať zvuk, čo rozhoduje o presnosti, čo získavajú vývojári z API a koľko to stojí.
Prepis v reálnom čase, nazývaný aj prepis naživo alebo reč na text naživo, je rozpoznávanie reči, ktoré beží, kým zvuk ešte prichádza. Nahraný súbor sa dá prepísať, keď máte celú nahrávku v ruke. Prepis naživo sa musí zaviazať k slovám, keď má k dispozícii len posledných pár sekúnd, a držať krok s rečníkom, kým hovorí.
Titulky naživo sú to isté zobrazené ako krátke riadky nad videom alebo na obrazovke.
Vo VocalStack môže prepis naživo počúvať v 100 jazykoch. Hovorený jazyk zistí sám a ak rečník prejde do iného, nasleduje ho, čo vysvetľuje ako funguje automatické zisťovanie jazyka, spolu s tým, kedy je lepšie uviesť jazyk vopred.
Text prichádza v dvoch fázach. Najnovšie slová sa objavia najprv ako koncept, ktorý sa môže ešte zmeniť, keď príde viac zvuku. O chvíľu sa koncept usadí do konečného riadka, ktorý sa už nemení.
Koncept existuje, pretože rozpoznávač rozhoduje o slove čiastočne podľa toho, čo po ňom nasleduje. „Slnko vychádza“ a „sĺn kovy chádza“ znejú rovnako, kým neprijde ďalšie slovo. Skoré zobrazenie odhadu je to, čo robí prepis živým.
Ako veľmi text zaostáva za rečníkom, závisí od fázy:
Mimo tohto reťazca sú dve oneskorenia. Keď zdrojom je verejný prenos namiesto mikrofónu, samotný prenos už zaostáva za svojím živým okrajom: sekundu či tri pri jednoduchom internetovom rozhlasovom streame a od niekoľkých sekúnd až po pol minúty pri HLS. A v pláne Pay as you go môže prepis naživo začať až o 15 sekúnd. Úplný rozpis vrátane režimov oneskorenia Auto, Fast a Accuracy je v oneskorení živého prekladu jednoducho.
Preklad beží nad prepisom. Prepis naživo sa dá naraz preložiť až do 10 jazykov, vybraných zo 100. Každý poslucháč si na svojom zariadení vyberie jeden z nich a môže ho kedykoľvek zmeniť; prepis doteraz sa zobrazí znova v novom jazyku.
Každý jazyk sa prekladá z toho istého prepisu, takže každý poslucháč dostane tie isté slová a oprava sa dostane ku všetkým.
Poslucháč, ktorý radšej počúva než číta, si môže nechať každý preložený riadok prečítať nahlas. Predvolene dostane každý rečník osobitný štandardný hlas zodpovedajúci jeho pohlaviu, takže panel stále znie ako viacero ľudí. S rečníkovým súhlasom môže hostiteľ naklonovať jeho hlas z asi 30 sekúnd, keď hovorí sám, a preklad sa potom číta jeho vlastným hlasom.
Pravidlo pre hlasy je úmyselne úzke. Hlas číta vždy len to, čo povedal ten istý človek, preložené do jazyka, ktorý si poslucháč vybral. Nikdy nečíta text, ktorý niekto napíše, a nikdy nečíta slová jedného rečníka hlasom iného.
Ako to funguje pre celú sálu, od nastavenia hostiteľa po neskoro príchodzieho, je v jeden odkaz, každý jazyk.
Prepis naživo potrebuje zdroj zvuku. Toto sú zdroje, ktoré VocalStack dnes prijíma:
Titulky priamo v prehrávači YouTube cez jeho tlačidlo CC budú čoskoro. Dovtedy diváci prenosu na YouTube sledujú titulky na odkaze vysielania.
Ak potrebujete prepis naživo na Windowse už dnes, fungujú tam rozšírenie pre Chrome či Edge, doplnok pre OBS a Dashboard v prehliadači.
Vysielanie je spôsob, ako ostatní ľudia sledujú prepis naživo. Je to jeden odkaz a QR kód. Poslucháči ho otvoria v prehliadači, vyberú si jazyk a čítajú. Nepotrebujú účet, nič neinštalujú a nič nestoja: účet sa nemení s počtom poslucháčov ani jazykov.
Vysielanie je predvolene verejné a dá sa chrániť heslom. Ak premenujete jeho odkaz, starý stále funguje, takže QR kód vytlačený na programe nezastará. Jedno vysielanie môže niesť viac prepisov naživo, takže dve pódiá môžu zdieľať jeden odkaz.
Poslucháč, ktorý príde neskoro, vidí všetko, čo odznelo pred jeho príchodom, a potom sleduje naživo. Neskôr zobrazenie Audience ukáže, kto počúval, v ktorom jazyku a kedy sa pripojil.
Pre podujatia pokrýva zoznam krokov pre viacjazyčnú konferenciu zvuk, pódiá a rozpočet a prepis naživo pre kostoly, prednáškové sály a obecné zastupiteľstvá pokrýva týždennú verziu rovnakého nastavenia.
Všetko vyššie sa dá urobiť z kódu. Pre zvuk naživo vo vašej vlastnej aplikácii má API relácie v reálnom čase: váš server urobí jedno volanie POST /v1/realtime/sessions s kľúčom API a dostane krátkodobú streamUrl. Váš klient na ňu otvorí WebSocket, posiela surový zvuk, ako sa zachytáva, a číta prepis späť ako rámce JSON.
Rámce sledujú tie isté dve fázy, ktoré vidí čitateľ. transcript.draft nahradí živý koniec, transcript.committed pridá konečný riadok a pri zapnutom preklade prichádzajú celé vety s pripojenými prekladmi. Cieľové jazyky, označenia rečníkov a režim oneskorenia sa dajú v priebehu relácie meniť cez session.update.
Relácia v reálnom čase nič neukladá. Keď chcete slová uchovať, opraviť a zdieľať s publikom, zvuk namiesto toho publikujete do prepisu naživo a vysielania. Oficiálne SDK pre TypeScript, Python a PHP zabaľujú obe a server MCP umožňuje AI asistentovi používať ten istý účet.
Návod k WebSocketu krok za krokom buduje funkčné zobrazenie titulkov a referencia API má každé pole. Používanie API sa účtuje rovnakou sadzbou ako Dashboard.
O presnosti sa rozhoduje hlavne skôr, než sa spustí akýkoľvek rozpoznávač, zvukom, ktorý dostane. Najväčší rozdiel robia štyri veci.
Mikrofón. Mikrofón blízko rečníka alebo zvuk z mixážneho pultu miesta nesie hlas s malou časťou miestnosti. Telefón na stole počuje rečníka plus ozvenu, stoličky a kašeľ. Je to najväčší jednotlivý faktor a prečo telefón nestačí pre miestnosť vysvetľuje prečo.
Hluk a prekrývanie. Hluk na pozadí spôsobuje vynechané aj vymyslené slová a dvaja ľudia hovoriaci naraz miatnu slová aj to, kto ich povedal. Chyby v prepise zvuku uvádza sedem bežných príčin, ako každá vyzerá a ako ju opraviť.
Referenčný skript. Známe mená a pojmy sa rozpoznávajú tak, ako sú. Názvy produktov spoločnosti, interná skratka alebo nezvyčajné priezvisko hosťa sa nedajú poznať vopred, preto pred začiatkom pridajte skript alebo snímky a mená a pojmy v nich sa píšu presne tak, ako ste ich zapísali.
Označenia rečníkov. Označenia môžu byť Off, On alebo When Needed, ktoré ich zapne, akonáhle zaznie druhý rečník. Diarizácia rečníkov a rozpoznávanie reči vysvetľuje, že dve odpovede, čo odznelo a kto to povedal, sú oddelené a opravujú sa oddelene.
Záleží aj na režime oneskorenia: Fast dostane text von skôr, ale viac ho prepisuje, Accuracy čaká o niečo dlhšie.
Jediné číslo presnosti hovorí menej, než sa zdá. Miera chybovosti slov počíta nesprávne meno rovnako ako vynechané „a“, preto čo meria miera chybovosti slov a čo jej uniká navrhuje posudzovať systém podľa toho, ktoré chyby vám dovolí zachytiť a opraviť.
Žiadny prepis naživo nie je dokonalý, preto má obrazovka hostiteľa kartu Fix. Môže označiť slová, o ktorých si rozpoznávač nebol istý, a ktorýkoľvek riadok sa dá otvoriť a opraviť. Druhý človek pri pulte ich môže prechádzať, kým rečník pokračuje.
Keď hostiteľ prepíše slovo alebo riadok, aj taký, ktorý ešte odznieva, každý poslucháč vidí opravu, vo všetkých jazykoch. Riadok počutý s príliš malou istotou sa poslucháčom skryje ako „Audio unclear“, namiesto aby sa zobrazil nesprávne; hostiteľ ho stále vidí.
Nahrávka sa uchová s prepisom, opravami a prekladmi. Potom môžete:
Ako dlho sa zvuk a prepisy uchovávajú, závisí od plánu a stránka s cenníkom to uvádza.
Väčšina nástrojov na prepis naživo vyzerá v ukážke podobne; rozdiely sa ukážu pri otázkach nižšie. Pravý stĺpec opisuje VocalStack tak, ako je dnes.
| Otázka | Prečo na tom záleží | VocalStack |
|---|---|---|
| Ktoré jazyky dokáže počuť? | Nástroj, ktorý nedokáže prepísať jazyk rečníka, nepomôže, nech je jeho preklad akokoľvek dobrý. | 100 jazykov, zisťovaných automaticky, s prepínaním počas rozprávania |
| Ako veľmi text zaostáva za rečníkom? | Čitatelia viac vnímajú rastúci odstup než občasné nesprávne slovo. | Pôvodný text o zlomok sekundy za, preklad o sekundu či dve neskôr; tri režimy oneskorenia |
| Prekladá a kto vyberá jazyk? | Jeden jazyk titulkov na jednej obrazovke nechá všetkých ostatných bokom. | Až 10 jazykov na prepis, každý poslucháč si vyberie svoj |
| Dokáže preklad povedať nahlas? | Niektorí poslucháči nemôžu čítať, alebo radšej nechcú. | Štandardné hlasy predvolene; vlastný naklonovaný hlas rečníka s jeho súhlasom |
| Ako sa to dostane k publiku? | Aplikácie a účty strácajú ľudí pri dverách. | Jeden odkaz a QR kód, bez účtu, voliteľné heslo |
| Dajú sa chyby opravovať naživo? | Nesprávne počuté meno opakované hodinu spôsobí skutočnú škodu. | Opravy naživo posielané každému poslucháčovi |
| Odkiaľ môže zvuk prichádzať? | Vaše nastavenie by sa nemalo meniť kvôli nástroju. | Mikrofón, rozšírenia prehliadača, desktopová aplikácia, OBS, RTMP, odkazy na stream |
| Existuje API? | Titulky môžete chcieť vo vlastnom produkte. | API REST a WebSocket, SDK, server MCP, rovnaká sadzba ako Dashboard |
| Ako sa účtuje? | Cena za poslucháča alebo za miesto rastie s vaším publikom. | Za sekundu zvuku; poslucháči a jazyky zadarmo |
Vo VocalStack platíte za sekundu prepísaného zvuku. V čase písania stojí prepis naživo $0.60 za hodinu a súbory stoja $0.20 za hodinu, vo všetkých plánoch, v Dashboarde aj cez API. Preklad, hlasy, zhrnutia, vysielanie a poslucháči nikdy nepridávajú k účtu, takže hodinový prejav, ktorý číta 200 ľudí v piatich jazykoch, stojí rovnakých $0.60 ako ten, ktorý nečíta nikto.
Plány sa líšia v niekoľkých veciach:
Ak nikto nepotrebuje čítať, kým sa to deje, nahrajte nahrávku potom za sadzbu pre súbory. Aktuálne ceny, uchovávanie a limity každého plánu sú na stránke s cenníkom.
Nový účet VocalStack dostane úvodný kredit $5 a nepotrebuje kartu. Pri $0.60 za hodinu je to asi osem hodín prepisu naživo, s prekladom a vysielaním v cene. Potom platíte za sekundu. Poslucháči sú vždy zadarmo.
Áno. Prepis naživo sa dá preložiť až do 10 jazykov naraz, kým človek hovorí. Preklad sa objaví o sekundu či dve po pôvodnom texte a každý poslucháč si vyberie vlastný jazyk.
Závisí to hlavne od zvuku. Najlepšie výsledky dáva blízky mikrofón alebo zvuk z pultu, málo hluku na pozadí, hovorenie po jednom a referenčný skript s menami. Opravy naživo dovoľujú hostiteľovi opraviť, čo ešte nesedí, kým rozprávanie pokračuje.
Text v pôvodnom jazyku zaostáva za rečníkom o zlomok sekundy a preklady nasledujú o sekundu či dve neskôr. Verejný prenos pridá vlastné oneskorenie, kým sa zvuk dostane do VocalStack.
Áno, cez rozšírenie pre Chrome alebo Edge, doplnok pre OBS Studio alebo Dashboard v prehliadači. Desktopová aplikácia je dnes na macOS a Windows budú čoskoro.
Nie. Poslucháči otvoria odkaz vysielania alebo naskenujú jeho QR kód v prehliadači, vyberú si jazyk a čítajú. Nič sa neinštaluje.
Otvorte Dashboard, spustite prepis naživo zo svojho mikrofónu a otvorte jeho odkaz vysielania na telefóne. Úvodný kredit pokryje vašich prvých pár hodín a na vlastné oči uvidíte, ako sa koncepty usadzujú a preklad ich nasleduje.