Транскрипција и превод у стварном времену: како ради говор у текст уживо, колико касни, шта утиче на тачност и колико кошта.
Транскрипција у стварном времену претвара говор у текст док особа још говори. Речи се појављују на екрану тренутак након изговарања, слежу се у коначне редове и може их читати свако ко прати. Додајте превод у стварном времену и сваки читалац може пратити исти говор на свом језику, као текст или прочитан наглас.
Овај водич обухвата транскрипцију и превод у стварном времену са обе стране: шта види слушалац, одакле може доћи звук, шта одређује тачност, шта програмери добијају од API-ја и колико кошта.
Транскрипција у стварном времену, названа и транскрипција уживо или говор у текст уживо, јесте препознавање говора које ради док аудио још стиже. Снимљен фајл може се транскрибовати са целим снимком у рукама. Транскрипција уживо мора да се определи за речи са само последњих неколико секунди на располагању и да прати говорника докле год говори.
Титлови уживо су иста ствар приказана као кратки редови преко видеа или на екрану.
На VocalStack-у транскрипција уживо може да слуша на 100 језика. Сама препознаје говорни језик и прати говорника ако пређе на други, што како ради аутоматско препознавање језика објашњава, заједно са тим када унапред навести језик.
Текст стиже у две фазе. Најновије речи се прво појављују као скица, која се још може променити како стиже више аудија. Тренутак касније скица се слеже у коначан ред који се више не мења.
Скица постоји јер препознавач одлучује о речи делом по ономе што следи. „Ice cream“ и „I scream“ звуче слично док не стигне следећа реч. Рано приказивање погодка чини да се транскрипт осећа као уживо.
Колико текст касни за говорником зависи од фазе:
Два кашњења стоје изван тог ланца. Када је извор јаван стрим, а не микрофон, сам стрим већ касни за својом живом ивицом: секунду-три за обичан интернет радио стрим, а од неколико секунди до пола минута за HLS. А на Pay as you go транскрипцији уживо може требати до 15 секунди да се покрене. Пуна разрада, укључујући режиме кашњења Auto, Fast и Accuracy, налази се у кашњењу превода уживо, објашњеном.
Превод ради преко транскрипта. Транскрипција уживо може се превести на до 10 језика одједном, изабраних од 100. Сваки слушалац бира један од њих на свом уређају и може га променити у сваком тренутку; транскрипт до тада се приказује поново на новом језику.
Сваки језик се преводи из истог транскрипта, па сваки слушалац добија исте речи, а исправка стиже до свих.
Слушалац који радије слуша него чита може да добије сваки преведени ред прочитан наглас. Подразумевано сваки говорник добија посебан стандардни глас који одговара његовом полу, па панел и даље звучи као неколико људи. Уз пристанак говорника, водитељ може да клонира његов глас из око 30 секунди док говори сам, а превод се затим чита његовим сопственим гласом.
Правило за гласове је намерно уско. Глас чита само оно што је иста особа рекла, преведено на језик који је слушалац изабрао. Никад не чита текст који неко укуца и никад не чита речи једног говорника гласом другог.
Како ово функционише за целу салу, од подешавања водитеља до слушаоца који касни, налази се у једна веза, сваки језик.
Транскрипцији уживо потребан је извор аудија. Ово су они које VocalStack данас прима:
Титлови унутар YouTube-овог плејера, преко дугмета CC, стижу ускоро. До тада гледаоци YouTube стрима прате титлове на вези преноса.
Ако вам је транскрипција уживо на Windows-у потребна већ данас, Chrome или Edge додатак, OBS додатак и контролна табла у прегледачу раде тамо.
Пренос је начин на који други људи прате транскрипцију уживо. То је једна веза и QR код. Слушаоци га отварају у прегледачу, бирају језик и читају. Не треба им налог, ништа не инсталирају и не коштају ништа: рачун се не мења са бројем слушалаца или језика.
Пренос је подразумевано јаван и може се заштитити лозинком. Ако преименујете његову везу, стара наставља да ради, па QR код одштампан на програму не застарева. Један пренос може носити неколико транскрипција уживо, па две бине могу делити једну везу.
Слушалац који стигне касно види све што је речено пре него што је ушао, па затим прати уживо. Касније приказ Audience показује ко је слушао, на ком језику и када се прикључио.
За догађаје, контролна листа за вишејезичну конференцију обухвата звук, бине и буџет, а транскрипција уживо за цркве, предаваонице и скупштинске сале обухвата недељну верзију истог подешавања.
Све горе наведено може се урадити из кода. За аудио уживо у вашој сопственој апликацији, API има realtime сесије: ваш сервер упућује један позив на POST /v1/realtime/sessions са API кључем и добија краткотрајан streamUrl. Ваш клијент отвара WebSocket ка њему, шаље сирови аудио како се снима и чита транскрипт назад као JSON оквире.
Оквири прате исте две фазе које види читалац. transcript.draft замењује живи реп, transcript.committed додаје коначан ред, а са укљученим преводом, целе реченице стижу са прикаченим преводима. Циљни језици, ознаке говорника и режим кашњења могу се мењати усред сесије са session.update.
Realtime сесија не чува ништа. Када желите да речи буду сачуване, исправљене и подељене са публиком, уместо тога објављујете аудио у транскрипцију уживо и пренос. Званични SDK-ови за TypeScript, Python и PHP обухватају оба, а MCP сервер омогућава AI асистенту да користи исти налог.
WebSocket туторијал корак по корак гради радни приказ титлова, а API референца има свако поље. Употреба API-ја наплаћује се по истој цени као контролна табла.
Тачност се одређује углавном пре него што се било који препознавач покрене, аудијом који добије. Четири ствари праве највећу разлику.
Микрофон. Микрофон близу говорника или довод са миксете места носи глас са мало сале у себи. Телефон на столу чује говорника плус одјек, столице и кашљање. Ово је највећи појединачни фактор, а зашто телефон није довољан за салу објашњава зашто.
Бука и преклапање. Бука у позадини изазива испуштене и измишљене речи, а двоје који говоре истовремено збуњује и речи и ко их је рекао. Грешке у транскрипцији аудија наводи седам уобичајених узрока, како изгледа сваки и како се исправља.
Референтна скрипта. Позната имена и појмови препознају се такви какви су. Називи производа једне компаније, интерна скраћеница или необично презиме госта не могу се знати унапред, па пре почетка додајте скрипту или слајдове и имена и појмови у њима пишу се тачно онако како сте их написали.
Ознаке говорника. Ознаке могу бити Off, On или When Needed, што их укључује када се чује други говорник. Диаризација говорника у односу на препознавање говора објашњава како су та два одговора, шта је речено и ко је рекао, одвојена и исправљају се одвојено.
Режим кашњења такође је важан: Fast излази са текстом раније, али више ревидира, Accuracy чека мало дуже.
Једна цифра тачности каже мање него што се чини. Стопа грешака у речима рачуна погрешно име исто као испуштено „the“, због чега шта стопа грешака у речима мери и шта пропушта заступа процену система по томе које грешке вам дозвољава да ухватите и исправите.
Ниједан транскрипт уживо није савршен, па екран водитеља има картицу Fix. Може да означи речи у које препознавач није био сигуран, а сваки ред се може отворити и исправити. Друга особа за миксетом може да их обрађује док говорник наставља.
Када водитељ препише реч или ред, чак и онај који се још изговара, сваки слушалац види исправку, на сваком језику. Ред чут са премало поузданости крије се од слушалаца као „Audio unclear“ уместо да се покаже погрешан; водитељ га и даље види.
Снимак се чува са транскриптом, исправкама и преводима. После можете да:
Колико дуго се чувају аудио и транскрипти зависи од пакета, а страница са ценама то наводи.
Већина алата за транскрипцију уживо изгледа слично на демонстрацији; разлике се виде у питањима испод. Десна колона описује VocalStack какав је данас.
| Питање | Зашто је важно | VocalStack |
|---|---|---|
| Које језике може да чује? | Алат који не може да транскрибује језик говорника не може да помогне, колико год добар био његов превод. | 100 језика, аутоматски препознатих, са пребацивањем усред говора |
| Колико текст касни за говорником? | Читаоци примећују растући размак више него повремену погрешну реч. | Изворни текст делић секунде иза говорника, превод секунду-две касније; три режима кашњења |
| Да ли преводи и ко бира језик? | Један језик титлова на једном екрану изоставља све остале. | До 10 језика по транскрипцији, сваки слушалац бира свој |
| Може ли да изговори превод? | Неки слушаоци не могу да прате читајући или радије не би. | Стандардни гласови подразумевано; говорников сопствени клонирани глас уз његов пристанак |
| Како публика то добија? | Апликације и налози губе људе на вратима. | Једна веза и QR код, без налога, опционална лозинка |
| Може ли да се исправљају грешке уживо? | Погрешно чуто име понављано сат времена прави праву штету. | Исправке уживо послате сваком слушаоцу |
| Одакле може долазити аудио? | Ваше подешавање не би требало да се мења да би одговарало алату. | Микрофон, додаци за прегледач, десктоп апликација, OBS, RTMP, везе до стримова |
| Има ли API? | Можда желите титлове унутар свог производа. | REST и WebSocket API, SDK-ови, MCP сервер, иста цена као контролна табла |
| Како се наплаћује? | Цене по слушаоцу или по месту расту са вашом публиком. | По секунди аудија; слушаоци и језици су бесплатни |
На VocalStack-у плаћате по секунди транскрибованог аудија. У тренутку писања, транскрипција уживо кошта $0.60 по сату, а фајлови $0.20 по сату, на сваком пакету, у контролној табли и преко API-ја подједнако. Превод, гласови, сажеци, пренос и слушаоци никад не додају на рачун, па једносатно излагање које чита 200 људи на пет језика кошта исто $0.60 као оно које не чита нико.
Пакети се разликују у неколико ствари:
Ако нико не мора да чита док се дешава, отпремите снимак касније по цени за фајлове. Актуелне цене, рокови чувања и ограничења за сваки пакет налазе се на страници са ценама.
Нови VocalStack налог долази са $5 кредита за регистрацију и не тражи картицу. По $0.60 по сату то је око осам сати транскрипције уживо, са укљученим преводом и преносом. После тога плаћате по секунди. Слушаоци су увек бесплатни.
Да. Транскрипција уживо може се превести на до 10 језика истовремено док особа говори. Превод се појављује секунду-две након изворног текста, а сваки слушалац бира свој језик.
Зависи углавном од аудија. Близак микрофон или довод са миксете, мало буке у позадини, један говорник у датом тренутку и референтна скрипта са именима дају најбоље резултате. Исправке уживо дозвољавају водитељу да поправи оно што је још погрешно док излагање траје.
Текст на изворном језику касни за говорником делић секунде, а преводи следе секунду-две касније. Јаван стрим додаје своје кашњење пре него што аудио стигне до VocalStack-а.
Да, преко Chrome или Edge додатка, OBS Studio додатка или контролне табле у прегледачу. Десктоп апликација је данас на macOS-у, а Windows стиже ускоро.
Не. Слушаоци отварају везу преноса или скенирају његов QR код у прегледачу, бирају језик и читају. Ништа се не инсталира.
Отворите контролну таблу, започните транскрипцију уживо са свог микрофона и отворите њену везу преноса на телефону. Кредит за регистрацију покрива ваше прве сате, па можете сами да видите како се скице слежу, а превод следи.