Natančnost prevoda v živo je v glavnem določena, preden model sploh zažene, in sicer s tem, kje je mikrofon. Vzemite zvok z mešalne mize, ne s sedeža v dvanajsti vrsti, prepišite ga enkrat, in napaka postane ena vrstica, ki jo lahko popravi vsak.
Prevajalne aplikacije, vgrajene v telefone, so resničen dosežek. Pogosto poženejo govorni model, dovolj majhen, da se prilega napravi in njeni bateriji (nekateri zvok pošljejo na strežnik, kadar je povezava), in pri kratkih, jasnih, vsakdanjih stavkih opravijo svoje: vprašanje za pot, branje jedilnega lista, pogovor za pultom.
Dvorana polna ljudi, ki posluša enega govorca, je drug problem. Stvari, ki v resničnem govoru gredo narobe, so ravno tiste, s katerimi se majhen model najslabše spopada: redke besede in imena, besede, ki zvenijo enako ("their" in "there", "sail" in "sale"), strokovni izrazi, naglasi, ljudje, ki govorijo drug čez drugega, in hrup v ozadju. V jadralnem klubu model, ki sliši "sale", naredi razumen ugib in samozavestno napako.
Dve stvari sta krivi, da majhen model ugiba bolj kot velik. Stisnjen je, da se prilega telefonu, zato pozna manj besed in manj načinov, kako jih izgovoriti; priimek, ki ga še ni srečal, zgolj približa po zvokih. Sprotno prepoznavanje pa se mora odločiti za besedo, preden pride ostanek stavka, zato model ne more uporabiti tistega, kar bi razrešilo "sail" proti "sale": besed, ki sledijo, ali skripte, ki pove, o čem je govor. Pri razpoznavanju govora kontekst pomeni prav ti dve stvari: okoliške besede in to, kar je znano vnaprej.
Ko model ni prepričan, ugiba. Prevod nato temelji na ugibu, bralec pa tega ne more vedeti. Nihče v dvorani ne vidi, da je bila vrstica napačna, kaj šele da bi jo popravil. Dvorana pa ni en poslušalec, ampak petdeset.
Telefon sliši dvorano, ne govorca. Razlog je razdalja: ročni ali mizni mikrofon je nekaj centimetrov od ust, telefon v dvanajsti vrsti pa je deset metrov stran ali več, in večina zvoka, ki doseže telefon, se je najprej odbila od sten, stropa in hrbtov stolov. Odbiti zvok pride pozno in razmazan. Telefon poleg tega pobere kašelj dve vrsti nazaj, šepet soseda in to, kar zvočniki naredijo z glasom na poti čez dvorano. Vsak sedež dobi nekoliko drugačen posnetek, zato vsak sedež dobi nekoliko drugačen prepis.
Telefon prevaja tudi samo za enega človeka. Petdeset udeležencev, ki dvignejo petdeset telefonov, ustvari petdeset neodvisnih prepisov istega predavanja, z petdesetimi različnimi nizi napak. Dva človeka, ki po predavanju primerjata zapiske, se ne bosta strinjala, kaj je bilo rečeno. Govorec pa nagovarja zid dvignjenih telefonov, kar je za branje občinstva zahtevna slika.
Za nekatere ljudi v dvorani to ni le nevšečnost; odloča, ali sploh lahko spremljajo predavanje. Udeleženec s slabim sluhom ali nekdo, ki sledi v tretjem jeziku, potrebuje eno pravilno skupno besedilo, ne petdesetih najboljših poskusov. To pomeni, da govorca prepišemo enkrat in vsem damo isti rezultat. Enkratni prepis se obrestuje le, če je narejen dobro, in to se začne tam, od koder prihaja zvok.
Prepis je le tako dober kot zvok, iz katerega je narejen. Zato prva odločitev ni, kateri model uporabiti, ampak kateri signal mu dati. Druga je, kaj mu povedati, preden začne.
Prepis v živo vzame zvok tam, kjer je čist signal že na voljo:
VocalStack tok z URL-ja povleče sam, tako da na vaši strani ni ničesar za zagnati. RTMP tok deluje obratno: vaš kodirnik ga potisne. Jezik govorca se zazna samodejno, govorec pa lahko kadar koli preklopi jezik. Če jezik poznate in je posnetek hrupen ali močno naglašen, ga navedba izboljša natančnost.
Čist zvok odpravi napake, ki jih povzroči prostor. Za napake, ki jih povzroči besedišče, ne pomaga, za to je potrebna druga vrsta pomoči.
Telefon ne ve, kdo govori ali o čem je predavanje, zato je ime izdelka ali priimek le še en zvok, ki ga je treba približati. Prenos pa lahko vnaprej povemo, kaj naj pričakuje.
Če pred začetkom dodate skripto ali diapozitive, imajo imena in izrazi iz njih prednost pred tem, kar je motor napačno slišal. Med snemanjem zavihek Script sledi govorcu kot teleprompter. To je največji posamezni dobiček natančnosti pri vrsti govora, ki napolnjuje konference in predavanja: gosto z lastnimi imeni in besediščem, ki ga splošni model ni dovolj pogosto slišal.
Dober zvok in slovar odpravita večino napak. Vprašanje je, kaj se zgodi z napakami, ki ostanejo.
Tudi z dobrim zvokom in skripto bodo nekatere vrstice izšle napačno. Razlika je v tem, kaj sledi.
Na telefonu nič. Napačna vrstica oddrsi mimo, prevod, zgrajen nanjo, pa z njo.
V prenosu se vrstica, ki je preveč nejasna, da bi bila vredna prikaza, poslušalcem skrije kot »Zvok ni jasen« in ne predstavi kot dejstva.
Nato je tu gostitelj, ki ima zavihek Fix: besede, pri katerih je motor negotov, se lahko obarvajo in podčrtajo, klik odpre vrstico za pregled, katero koli besedo ali vrstico pa je mogoče prepisati, medtem ko je prepis še v živo. Vsak poslušalec vidi popravek v svojem jeziku. Vsak popravek je označen in ga je mogoče razveljaviti.
Pomembno ni, da strežnik nikoli ne dela napak. Pomembno je, da je napaka vidna, da je v lasti nekoga v dvorani in da je enkrat popravljena za vse.
Popravki vplivajo na to, kar berejo poslušalci. Poslušalci, ki bi raje slišali predavanje, dobijo isto popravljeno besedilo, izgovorjeno.
Poslušalec, ki raje posluša kot bere, lahko vsako prevedeno vrstico prebere na glas. Privzeto ima vsak govorec drugačen standardni glas ustreznega spola, da plošča še vedno zveni kot plošča. Glas lahko dodelite vsakemu govorcu ali enega izklopite.
Če govorec to dovoli, lahko greste dlje in njegov glas klonirate iz trideset sekund njegovega govora, naloženega kot posnetek ali vzetega neposredno iz govorca v posnetku; nekaj minut da boljši rezultat. Prevod se nato bere v govorčevem lastnem glasu v vseh jezikih. Govorec s shranjenim glasom je lahko prepoznan tudi v kasnejših posnetkih, čeprav sistem raje pusti govorca neimenovanega, kot da bi imenoval napačno osebo.
Dve pravili veljata in sta namerni. Klonirani glas je biometrični podatek: ustvari se le z izrecnim soglasjem govorca in ga je mogoče kadar koli izbrisati. Glas pa lahko izgovarja le prepis ali njegov prevod; ne more biti prisiljen, da bi rekel nekaj, česar njegov lastnik ni rekel.
Vse doslej se dogaja, medtem ko govorec govori. Zadnja razlika se pokaže, ko neha.
Petdeset telefonskih prepisov izpari, ko se aplikacije zaprejo. Prenos ohrani posnetek v vaši knjižnici: zvok ter prepis z vsemi popravki in prevodi. Tam ga je mogoče predvajati vrstico za vrstico, iskati v kateremkoli jeziku in izvoziti; sprehod po Ena povezava, vsi jeziki pokrije, kaj knjižnica počne. Poslušalci ne stanejo ničesar, ne glede na to, koliko jih je. Plačate za prepisan zvok, pri živem prepisu $0.60 na uro, z najmanj 5 minutami na prepis, cenik pa je na strani s cenikom.
Telefon v vsaki roki je še vedno dober nadomestek za pogovor v hodniku. Za dvorano, ki mora skupaj razumeti enega govorca, mora biti govorec prepisan enkrat, od vira, z nekom, ki lahko popravi, kar gre narobe. Kako to izgleda, si lahko ogledate v interaktivnem prikazu na domači strani.
