Presnosť živého prekladu sa z veľkej časti rozhodne skôr, než model čokoľvek spracuje, a závisí od toho, kde je mikrofón. Zoberte zvuk z mixážneho pultu, nie zo sedadla v dvanástom rade, prepíšte ho raz a chyba sa stane jedným riadkom, ktorý môže niekto opraviť pre všetkých.
Prekladové aplikácie vstavané do telefónov sú skutočný úspech. Často bežia na reči model dostatočne malý, aby sa zmestil do zariadenia a jeho batérie (niektoré posielajú zvuk na server, keď je pripojenie), a pri krátkych, jasných, každodenných vetách si poradia: pýtať sa na smer, čítať jedálny lístok, rozhovor pri pulte.
Miestnosť plná ľudí, ktorí počúvajú jedného rečníka, je iný problém. Veci, ktoré sa pri skutočnej reči pokazia, sú presne tie, s ktorými si malý model najhoršie poradí: nezvyčajné slová a mená, slová znejúce podobne („their“ a „there“, „sail“ a „sale“), odborné termíny, prízvuky, ľudia rozprávajúci cez seba a hluk v pozadí. V jachtárskom klube model, ktorý počuje „sale“, urobí rozumný odhad a sebavedomú chybu.
Dve veci spôsobujú, že malý model hádá viac než veľký. Bol komprimovaný, aby sa zmestil do telefónu, takže pozná menej slov a menej spôsobov, ako ich vysloviť; meno, ktoré nepoznal, odhaduje len podľa zvuku. A živé rozpoznávanie musí zvoliť slovo skôr, než príde zvyšok vety, takže model nemôže použiť to, čo by rozhodlo medzi „sail“ a „sale“: slová, ktoré prídu potom, alebo skript, ktorý hovorí, o čom prednáška je. Pri rozpoznávaní reči kontext znamená presne tieto dve veci: okolité slová a to, čo je vopred známe.
Keď si model nie je istý, hádá. Preklad potom stojí na tom odhade a čitateľ nemá ako zistiť, že ide o chybu. Nikto v miestnosti nevidí, že riadok bol nesprávny, nieto aby ho opravil. A miestnosť nie je jeden poslucháč, ale päťdesiat.
Telefón počuje miestnosť, nie rečníka. Rozhodujúca je vzdialenosť: klopový alebo stolový mikrofón je pár centimetrov od úst, kým telefón v dvanástom rade je desať metrov alebo viac ďaleko a väčšina zvuku, ktorý sa k nemu dostane, sa najprv odrazila od stien, stropu a operadiel stoličiek. Odrazený zvuk prichádza oneskorene a rozmazaný. Telefón navyše zachytí kašeľ človeka dva rady vzadu, šepot suseda a to, čo reproduktory urobia s hlasom na ceste cez sálu. Každé sedadlo teda dostane mierne iný záznam, a teda mierne iný prepis.
Telefón tiež prekladá len pre jedného človeka. Päťdesiat účastníkov s päťdesiatimi telefónmi vytvorí päťdesiat nezávislých prepisov tej istej prednášky s päťdesiatimi rôznymi sadami chýb. Dvaja ľudia, ktorí si potom porovnajú poznámky, sa nezhodnú na tom, čo zaznelo. Rečník medzitým hovorí k stene zodvihnutých telefónov, čo je ťažký dav na čítanie.
Pre niektorých ľudí v miestnosti je to viac než nepríjemnosť; rozhoduje to, či vôbec dokážu prednášku sledovať. Účastník s poruchou sluchu alebo niekto, kto sleduje v treťom jazyku, potrebuje jeden správny spoločný text, nie päťdesiat najlepších pokusov. To znamená prepísať rečníka raz a dať všetkým rovnaký výsledok. Prepis raz sa vyplatí len vtedy, ak je urobený dobre, a to začína tým, odkiaľ zvuk prichádza.
Prepis je len taký dobrý, ako zvuk, z ktorého vznikol. Preto prvé rozhodnutie nie je, ktorý model použiť, ale aký signál mu dať. Druhé je, čo modelu povedať skôr, než začne.
Živý prepis berie zvuk odtiaľ, kde už je čistý signál:
VocalStack si URL stream stiahne sám, takže na vašej strane nič nebeží. RTMP tok funguje opačne: váš kodér ho posiela. Jazyk rečníka sa zisťuje automaticky a rečník môže kedykoľvek prepnúť jazyk. Ak jazyk poznáte a nahrávka je hlučná alebo výrazne prízvučná, jeho uvedenie presnosť zlepší.
Čistý zvuk odstráni chyby spôsobené miestnosťou. Nič neurobí s chybami spôsobenými slovnou zásobou, a na tie treba inú pomoc.
Telefón nevie, kto hovorí ani o čom je prednáška, takže názov produktu alebo priezvisko je len ďalší zvuk, ktorý sa odhaduje. Vysielanie možno vopred informovať, čo očakávať.
Ak pred začiatkom pridáte skript alebo snímky, mená a termíny z nich majú prednosť pred tým, čo motor zle počul. Počas nahrávania karta Script sleduje rečníka ako teleprompter. Ide o najväčšie jediné zlepšenie presnosti pri reči, ktorá vypĺňa konferencie a prednášky: je hustá vlastnými menami a slovnou zásobou, ktorú žiaden všeobecný model nepočul dosť často.
Dobrý zvuk a slovník odstránia väčšinu chýb. Otázka je, čo sa stane s chybami, ktoré zostanú.
Aj pri dobrom zvuku a skripte niektoré riadky vyjdú zle. Rozdiel je v tom, čo sa stane potom.
V telefóne nič. Zlý riadok sa posunie preč a s ním aj preklad postavený na ňom.
Vo vysielaní je riadok, ktorý je príliš nejasný na to, aby sa oplatilo ho zobraziť, poslucháčom skrytý ako „Zvuk nie je zrozumiteľný“, a nie je predstavený ako fakt.
Potom je tu hostiteľ, ktorý má kartu Fix: slová, o ktorých motor nebol istý, sa dajú zafarbiť a podčiarknuť, kliknutím sa riadok otvorí na kontrolu a ľubovoľné slovo alebo riadok možno prepísať, kým je prepis ešte živý. Každý poslucháč vidí opravu vo svojom jazyku. Každá oprava je označená a dá sa vrátiť späť.
Nejde o to, že server nikdy nerobí chyby. Ide o to, že chyba je viditeľná, patrí niekomu v miestnosti a opraví sa raz pre všetkých.
Opravy menia to, čo čítajú poslucháči. Poslucháči, ktorí by radšej počuli prednášku, dostanú ten istý opravený text, ale nahovorený.
Poslucháč, ktorý radšej počúva, než číta, si môže nechať každý prekladaný riadok prečítať nahlas. Predvolene dostane každý rečník odlišný štandardný hlas zodpovedajúceho pohlavia, takže panel stále znie ako panel. Hlas môžete priradiť každému rečníkovi alebo jedného stlmiť.
S povolením rečníka môžete ísť ďalej a naklonovať jeho hlas z tridsiatich sekúnd reči, nahraných ako klip alebo priamo z rečníka v nahrávke; niekoľko minút dá lepší výsledok. Preklad sa potom číta vlastným hlasom rečníka v každom jazyku. Rečník s uloženým hlasom môže byť rozpoznaný aj v neskorších nahrávkach, hoci systém radšej nechá rečníka bez mena, než by pomenoval nesprávnu osobu.
Platia dve pravidlá a sú úmyselné. Klonovaný hlas sú biometrické údaje: vytvorí sa len s výslovným súhlasom rečníka a dá sa kedykoľvek vymazať. A hlas môže hovoriť len prepis alebo jeho preklad; nedá sa prinútiť povedať niečo, čo jeho vlastník nikdy nepovedal.
Všetko doteraz sa deje, kým rečník hovorí. Posledný rozdiel sa ukáže po tom, ako skončí.
Päťdesiat telefónnych prepisov zmizne, keď sa aplikácie zatvoria. Vysielanie si nahrávku uchová vo vašej knižnici: zvuk aj prepis so všetkými opravami a prekladmi. Tam sa dá prehrať riadok po riadku, prehľadávať v ľubovoľnom jazyku a exportovať; čo knižnica robí, popisuje článok Jeden odkaz, každý jazyk. Poslucháči nič nestoja, bez ohľadu na to, koľko ich je. Platíte za prepísaný zvuk, $0.60 za hodinu pri živom prepise, s 5-minútovým minimom na prepis, a stránka cenníka obsahuje celý sadzobník.
Telefón v každej ruke je stále dobrá záložná možnosť pre rozhovor na chodbe. Pre miestnosť, ktorá musí spoločne porozumieť jednému rečníkovi, sa rečník má prepísať raz, priamo zo zdroja, s niekým, kto dokáže opraviť, čo sa pokazí. Ako to vyzerá, uvidíte v interaktívnej ukážke na domovskej stránke.
