Вишејезичној публици не треба кабина за сваки језик. Потребан је један чист звучни сигнал са миксетног пулта, један линк који публика отвара на свом телефону и начин да се погрешно чуто име исправи док говор још траје.
Говор, богослужење, предавање или седница општинског већа имају једног говорника и публику која не мисли сва на том језику. Уобичајена решења су скупа, делимична или приватна.
Скупо решење је тумач за сваки језик. Чак и кад је по један тумач за сваки језик, то значи кабину, низ пријемника и стручњака за сваки језик у сали, а стручњаци не кажу исту ствар. Сваки тумач бира сам, под временским притиском: коју реч ће употребити за неки термин, шта ће скратити, шта ће изоставити кад говорник убрза. На обичном предавању разлике једва да су важне. На правној расправи, седници већа или техничком брифингу јесу: дефинисани термин, доза лека или клаузула могу француским слушаоцима стићи с једним значењем, а арапским с другим, и нико у сали није у положају да то примети. Делимично решење је титл на једном екрану, на само једном другом језику. Приватно решење је педесет телефона подигнутих ка сали: педесет помало погрешних транскрипата, а у сваком телефону јеку и кашаљ чују једнако јасно као говорника.
Алтернатива је да се говорник транскрибује једном, из чистог извора, а затим да се тај један транскрипт преведе на оно што публика треба. Тако сви језици полазе од истих речи, а сваки слушалац бира на свом уређају. Снимак се чува кад догађај заврши. Ево како га домаћин и слушалац подешавају и шта то кошта.
Транскрипција уживо може да слуша микрофон на било ком уређају, RTMP фид из програма OBS или било ког другог енкодера који прихвата адресу сервера и кључ стрима, YouTube уживо, интернет радио станицу или било који URL који испоручује стрим. За стрим VocalStack сам преузима звук; на вашој страни ништа не ради.
Извор је важнији од било ког подешавања. Микрофон у просторији или телефон на столу чује говорника и просторију: одјек од зидова, столица и публике. Препознавање говора се нагло квари кад глас постане тиши у односу на ту буку, зато оних педесет телефона међусобно не слаже. Сигнал са миксажног пулта носи микрофон самог говорника уз мало просторије, па транскрипт прати говорника, а не просторију. Ако место има пулт, узмите сигнал са њега.
Језик говора се открива аутоматски, а говорник га може променити у било ком тренутку; ако га унапред наведете, помаже на бучним снимцима и јаком акценту. Ознаке говорника могу бити искључене, укључене или When Needed, што их укључује кад се чује други говорник. Чим звук стигне, публици треба место где ће га наћи.
Пренос је линк: једна адреса и QR код који слушаоци скенирају да отворе превод уживо и изаберу свој језик. Линк се прави од имена које дате преносу. Ако га касније преименујете, стари линк и даље ради, па QR код одштампан на програму не застарева.
Пренос је подразумевано јаван: свако са линком може да га отвори. Ако га учините приватним и поставите лозинку, слушаоци се пре појаве транскрипта траже лозинку.
Један пренос може да прима више транскрипција уживо, па конференција са две бине дели један линк. Линк доводи људе, а оно што их задржава јесте тачно исписана имена.
Препознавачи говора се уче на томе како људи обично говоре, па кад је звук двосмислен, посегну за уобичајеном речју. Име производа, презиме, село, хемијска супстанца: сваком од њих одговара чешћа реч сличног изговора, и то је оно што испадне, осим ако препознавач не буде обавештен да ће стићи ређа реч. За то служи скрипта. Додајте скрипту или слајдове пре почетка, и имена и термини из њих побеђују оно што је погрешно чуто. Управо на тим именима и терминима препознавање обично пада на стручном предавању. Током снимања картица Script прати текст као телепромптер и осветљава речи изговорене до тог тренутка.
То је цело подешавање. На другој страни линка посла је још мање.
Слушаоцу су потребни линк или QR код и телефон. Слушалац отвара линк у прегледачу и види The broadcast hasn't started yet док домаћин не притисне снимање, а затим Live. The first line appears in a moment. Бира из језика које је домаћин изабрао (до 10 по транскрипцији, од 100 доступних) и чита транскрипт док говорник говори. Домаћин наставља да говори на свом језику. Слушалац може да промени језик у било ком тренутку; транскрипт до тада се поново приказује на новом језику.
Ако слушалац радије слуша, сваки преведени ред се чита наглас. Подразумевано сваки говорник добија посебан стандардни глас одговарајућег пола, па панел и даље звучи као панел.
Три фазе се дешавају редом, и свака чека ону пре себе. Препознавању је потребан низ речи пре него што се определи за речи, па транскрипт касни за говорником делић секунде. Превод треба целу фразу, јер се редослед речи међу језицима разликује и крај реченице може променити почетак, па стиже секунду или две касније. Говор треба преведену реченицу пре него што може да почне, па говорна линија долази последња. Ништа од тога није мана коју треба подесити; то је оно што сваки систем који ради ове три ствари мора да ради, укључујући и људског тумача, који такође чека глагол.
Уз дозволу говорника, домаћин може клонирати глас говорника из тридесет секунди када говори сам (MP3, M4A или WAV; боље је неколико минута). Превод се тада чита гласом говорника на сваком језику. Глас третирајте као биометријски податак какав јесте. Према GDPR-у, гласовни подаци обрађени ради препознавања особе углавном спадају у посебне категорије из члана 9, а поједине америчке државе, међу њима Илиноис, посебно регулишу гласовне отиске. Пристанак говорника треба добити изричито пре снимања узорка, не после; глас се може обрисати у било ком тренутку. Клонирање такође уписује говорника, па се он убудуће на снимцима наводи по имену. Домаћин може доделити глас сваком говорнику или утишати једног.
Слушалац који касно стигне види све што је речено пре његовог уласка, па затим прати уживо. Ако веза пукне, страница се сама надокнађује чим се веза врати. Кад домаћин паузира, слушаоци виде Paused. The transcript continues when the host resumes. Кад домаћин заустави, страница приказује датум и трајање снимка, а пренос наводи своје прошле снимке за поновно пуштање.
Слушалац може да чита само оно што је мотор чуо, а препознавање уживо неке ствари погреши.
Екран домаћина има картицу Fix управо за то. Mark uncertain words боји и подвлачи речи у којима је мотор био неизвестан; Click to correct отвара ред за преглед. Картица пролази кроз неизвесне сегменте један по један, па друга особа за столом може да их прегледа док говорник наставља.
Кад домаћин исправи реч или ред, чак и онај који се још говори, сваки слушалац види исправку. Ред чија је поузданост прениска сакрива се од слушалаца као Audio unclear уместо да се прикаже погрешно; домаћин и даље види сваку реч. Празнина је позната рупа; самоуверено погрешна реч је гласина.
Те исправке не нестају кад предавање заврши.
Све се чува. Снимак, његов транскрипт са исправкама и преводима, и звук остају у библиотеци домаћина. Реприза пушта снимак тачно онако како је стигао, ред по ред, са звуком. Кад су речи коначне, наслов и резиме се пишу на сваком језику, а картице Summary и Export на екрану домаћина их износе право из догађаја.
Извози су SRT титлови, PDF, Excel или JSON, са исправкама и преводима, а звук се преузима као MP3. Сваки транскрипт се може претраживати на било ком језику.
Картица Audience приказује ко је слушао, на ком језику и када се прикључио: често први прави број који организатор добије о томе ко је коме језику требао. До тада је процена била ко је подигао руку кад је на енглеском упитано треба ли му превод. Идентификатори слушалаца бришу се заједно са снимком.
Препознавање говора, препознавање говорника и синтеза гласа раде на серверима које ми управљамо, а ваши аудио подаци се не шаљу трећој страни на обраду. Ваше аудио записе, транскрипте и гласове не користимо за обуку модела.
Чување прати пакет: у пакету Pay as you go изворни звук и гласови чувају се 7 дана, а транскрипције 30 дана; Premium и Enterprise их чувају док налог постоји. Друго што пакет одређује јесте рачун.
Два броја су важна. У пакетима Pay as you go и Premium транскрипција уживо кошта $0.60 по сату аудио записа, наплаћује се по секунди с минималним трајањем од 5 минута по транскрипцији, у контролној табли и преко API-ја подједнако; Enterprise има цене по обиму. Слушаоци и језици су бесплатни: догађај од једног сата преведен на пет језика, који прати двеста људи, кошта $0.60. Датотеке су јефтиније ($0.20 по сату) јер транскрипција уживо ради у реалном времену током целог догађаја. Пакети се разликују по броју истовремених транскрипција, највећој дужини снимка и брзини покретања; на Pay as you go хладан старт може трајати до 15 секунди, па притисните снимање мало пре говорника, отприлике једно „Чује ли ме свако у последњем реду?” раније. Потпуна табела је на страници са ценама.
Почетна страница има демо са два телефона, а нови налог у контролној табли добија кредит за регистрацију од $5 и не тражи картицу. По цени уживо тај кредит покрива више од осам сати преноса.
Размишљате између овога и превода уживо уграђеног у сваки телефон? Прочитајте зашто телефон није довољан за салу. За цео догађај, контролна листа за вишејезичне конференције покрива звучну путању, више фаза на једном линку и буџет. Програмери све ово могу радити из кода преко референце за API, по истој цени.
