Тачност превода уживо углавном се одлучи пре него што модел уопште почне да ради, одредивши где је микрофон. Узмите звук са миксета, а не са места у дванаестом реду, транскрибујте га једном, и грешка постаје један ред који неко у просторији може да поправи за све.
Апликације за превод уграђене у телефоне су стварно достигнуће. Често раде на моделу за препознавање говора довољно малом да стане у уређај и његову батерију (неке шаљу аудио на сервер кад има везе), и за кратке, јасне, свакодневне реченице оне заиста обаве посао: питање за упутства, читање јеловника, разговор преко шалтера.
Просторија пуна људи који слушају једног говорника је сасвим други проблем. Ствари које иду наопако у стварном говору управо су оно у чему је мали модел најслабији: ређе речи и имена, речи које звуче слично („their” и „there”, „sail” и „sale”), стручни термини, акценти, људи који причају један преко другог и позадинска бука. У једриличарском клубу модел који чује „sale” направи разумно нагађање и самоуверену грешку.
Две ствари чине да мали модел више нагађа од великог. Сажет је да стане у телефон, па зна мање речи и мање начина да их изговори; презиме које није раније срео приближно процењује само по звуку. А препознавање уживо мора да се определи за реч пре него што стигне остатак реченице, па модел не може да искористи оно што би разрешило „sail” наспрам „sale”: речи које долазе после, или сценарио који каже о чему је говор. У препознавању говора контекст значи управо та два: речи око тренутне речи и оно што је унапред познато.
Кад модел није сигуран, нагађа. Превод се тада гради на нагађању, а особа која га чита нема начина да то зна. Нико у просторији не може да види да је линија била погрешна, а камоли да је исправи. И просторија није један слушалац него педесет.
Телефон слуша просторију, а не говорника. Удаљеност је разлог: петљасти или стони микрофон стоји неколико центиметара од уста, а телефон у дванаестом реду је десет метара или више далеко, и већина онога што стигне до њега најпре се одбије од зидова, плафона и леђа столица. Одјек стигне касно и замућен. Уз то телефон покупи и кашаљ човека два реда иза, шапат комшије и оно што звучници ураде с гласом док путује по сали. Свако место добије мало другачији снимак, па свако место добије мало другачији транскрипт.
Телефон такође преводи за једну особу. Педесет присутних с педесет телефона у рукама даје педесет независних транскрипата истог говора, са педесет различитих скупова грешака. Два човека која после упореде белешке неће се сложити о томе шта је речено. Говорник, опет, обраћа се зиду подигнутих телефона, а то је тешка публика за читање.
За неке људе у просторији то је више од незгоде: одлучује да ли уопште могу да прате предавање. Присутном са оштећеним слухом, или некоме ко прати на трећем језику, треба један тачан заједнички текст, а не педесет најбољих покушаја. То значи транскрибовати говорника једном и дати свима исти резултат. Транскрибовање једном вреди само ако је урађено добро, а то почиње од тога одакле долази звук.
Транскрипт је само онолико добар колико и звук од којег је направљен. Зато прва одлука није који модел користити, него који сигнал му довести. Друга је шта моделу рећи пре почетка.
Транскрипција уживо узима звук одакле чист сигнал већ постоји:
VocalStack сам повлачи URL ток, па ништа не ради на вашој страни. RTMP ток иде обрнутим смером: ваш енкодер га сам шаље. Језик говорника детектује се аутоматски, а говорник може да мења језик у било ком тренутку. Ако знате језик, а снимак је бучан или јако акцентован, навођење језика побољшава тачност.
Чист звук уклања грешке које узрокује просторија. Ништа не чини за грешке које узрокује речник, а за њих је потребна другачија врста помоћи.
Телефон нема појма ко говори или о чему је предавање, па су назив производа или презиме само још један звук који се приближно погађа. Пренос се може унапред упутити шта да очекује.
Ако пре почетка додате скрипту или слајдове, имена и термини из њих побеђују оно што је мотор погрешно чуо. Током снимања картица Script прати говорника као телепромптер. То је најважније побољшање тачности за врсту говора који испуњава конференције и предавања: пун властитих имена и речника који ниједан општи модел није довољно често чуо.
Добар звук и скрипта уклањају већину грешака. Питање је шта се дешава с грешкама које остану.
Чак и с добрим звуком и скриптом, неке линије ће испасти погрешно. Разлика је у томе шта се дешава даље.
На телефону, ништа. Погрешна линија прође, а превод изграђен на њој оде с њом.
У преносу, линија која је превише нејасна да би вредела приказивања сакрива се од слушалаца као „Audio unclear”, уместо да се представи као чињеница.
Затим ту је домаћин, који има картицу Fix: речи о којима мотор није био сигуран могу се обојити и подвући, клик отвара линију за преглед, а било која реч или линија може да се препише док транскрипција још траје. Сваки слушалац види исправку на свом језику. Свака исправка је обележена и може да се поништи.
Поента није у томе да сервер никад не греши. Поента је у томе да је грешка видљива, да је у власништву неког из просторије и да се поправи једном за све.
Исправке мењају оно што слушаоци читају. Слушаоци који радије слушају говор добијају исти исправљени текст, изговорен.
Слушалац који радије слуша него чита може да наложи да се сваки преведени ред прочита наглас. Подразумевано, сваки говорник добија посебан стандардни глас одговарајућег пола, па панел и даље звучи као панел. Можете доделити глас сваком говорнику или искључити једног.
Уз сагласност говорника, можете ићи даље и клонирати његов глас из тридесет секунди говора, било као отпремљен клип или узет директно од говорника у снимку; неколико минута даје бољи резултат. Превод се онда чита гласом самог говорника на сваком језику. Говорник са сачуваним гласом може се препознати и у каснијим снимцима, мада систем радије остави говорника неименованим него да именује погрешну особу.
Два правила важе, и намерна су. Клонирани глас је биометријски податак: прави се само уз изричиту сагласност говорника и може се обрисати у било ком тренутку. А глас говори само транскрипт или његов превод; не може се натерати да каже оно што његов власник никад није рекао.
Све до сада дешава се док говорник говори. Последња разлика се види кад он стане.
Транскрипти са свих телефона нестану кад се апликације затворе. Пренос чува снимак у вашој библиотеци: звук и транскрипт са свим исправкама и преводима. Тамо се може поново пустити ред по ред, претражити на било ком језику и извезти; водич у чланку Један линк, сви језици објашњава шта библиотека ради. Слушаоци не коштају ништа, ма колико их било. Плаћате транскрибовани звук, по $0.60 по сату за уживо, са минимумом од 5 минута по транскрипцији, а страница са ценама садржи ценовник.
Телефон у свакој руци и даље је добра резерва за разговор у ходнику. За просторију која заједно треба да разуме једног говорника, говорник треба да се транскрибује једном, из извора, уз некога ко може да исправи оно што пође наопако. Како то изгледа можете видети у интерактивној демонстрацији на почетној страни.
