Undertexterna vinns vid mixerbordet och i talarnas bildspel. Ta en ren ljudsignal från talarmikrofonerna per scen och lägg in varje namn och akronym innan någon går upp på scenen; resten av dagen går åt till att rätta det de två missade.
Större delen av arbetet med att texta en konferens görs innan någon går upp på scenen, och större delen av det är inte programvara.
En telefon på en talarstol hör rummet; mixerbordet hör talaren. Ta signalen från bordet, och var exakt om vilken signal. Be ljudteknikern om en dedikerad aux- eller matrissändning som bara bär talarmikrofonerna: talarstol, slipsmikrofoner, panelmikrofoner. Musik vid inmarsch, videouppspelning och applådstammen ska inte ingå. Taligenkänning som ska lyssna igenom en jingel gissar självsäkert på texten.
Testa den sändningen vid teknikgenomgången, med de riktiga mikrofonerna och de riktiga högtalarna om du kan ordna dem. Annars upptäcker du klockan 8.55 på eventmorgonen att matrisutgången är efter fader och att ljudteknikern tystar talarstolen mellan föredragen.
Ge VocalStack den signalen på ett av två sätt. Det första är en RTMP-kodare vid bordet. När du lägger till en RTMP-ström som källa för en livetranskribering visar dashboarden serveradressen och strömnyckeln som kodaren behöver, berättar om ljud redan kommer in och i vilket format, och låter dig lyssna på det. Det andra är en strömadress. Om scenen redan sänds som en YouTube-livesändning eller en ljudström klistrar du in länken så hämtar VocalStack ljudet själv; ingenting körs på din sida. Klistra in strömmens egen adress, inte sidan den spelas på. Om du av misstag klistrar in en webbsida berättar dashboarden det.
Oavsett väg: använd en mikrofonsignal per scen. Publikmikrofoner och överhörning kostar noggrannhet som ingen inställning kan ta tillbaka. Den bästa mikrofonen i lokalen tillhör den panelist som hela tiden lutar sig bort från den.
När ljudet väl kommer in behöver deltagarna ett ställe att läsa undertexterna på.
En sändning är länken deltagarna öppnar. Skapa den under Broadcasts, ge den ett namn och välj dess länk. Dashboarden föreslår en länk utifrån namnet; du kan redigera den, så länge den har minst sex tecken. Samma skärm visar QR-koden som deltagarna skannar för att öppna livetranslationen och välja språk.
Bestäm nu om sändningen ska vara offentlig eller privat. Offentlig betyder att alla med länken kan öppna den. Privat betyder att deltagarna anger ett kort lösenord innan transkriptet visas. Om länken måste ändras senare, ändra den; den gamla fortsätter att fungera.
Tänk sedan på hur länken når tusen fickor. Sätt QR-koden på väntbilden före varje pass, på skyltarna vid dörrarna och på passkortet om det finns ett. Hundratals telefoner som ansluter samtidigt belastar lokalens wifi på riktigt, så fråga lokalen vilka åtkomstpunkter nätet är dimensionerat för och om gästnätet begränsar per enhet. Om svaret är ett axelryck, be deltagarna använda mobildata. Sidorna är små; det är wifin som är risken.
En konferens med två scener behöver inte två länkar. En sändning kan matas av flera livetranskriberingar samtidigt. Scen A och Scen B blir två transkriberingar kopplade till samma sändning, och deltagarens telefon visar båda på samma sida. Varje scen är en egen livetranskribering, och varje abonnemang begränsar hur många som kan köra samtidigt (1 vid Pay as you go, 5 vid Premium, obegränsat vid Enterprise). Den gränsen återkommer i budgetavsnittet nedan.
En länk är inte bättre än orden bakom den.
I alla system snubblar liveigenkänning på namn, produktbegrepp och akronymer. Lägg till varje talares manus eller bildspel innan du börjar, så går namnen och termerna i dem före det motorn tror sig ha hört. Under föredraget följer fliken Script orden som en teleprompter.
Det här är också läget att vara ärlig om vad maskinell textning är. Taligenkänning plus maskinöversättning är inte CART (Communication Access Realtime Translation, undertexter skrivna live av en utbildad mänsklig textare), och det är inte tolkning. Det är snabbt, billigt och outtröttligt, och det kommer då och då att vända på en negation, avrunda en siffra eller översätta ett skämt till ett faktapåstående. För en keynote, ett produktpass eller ett panelsamtal är den avvägningen oftast rätt. För ett pass där ett felaktigt ord får konsekvenser (juridiska, medicinska, en omröstning) bokar du en mänsklig textare eller tolk och låter maskinen gå vid sidan av som det skriftliga underlaget. Det är också värt att känna till tillgänglighetsbasen: WCAG 2.x kräver undertexter för liveljud på nivå AA (kriterium 1.2.4), och ett växande antal offentliga och lokalkontrakt hänvisar helt enkelt till det.
När orden är klara handlar den sista förberedelsen om vem som säger dem.
Talaretiketter visar publiken vem som talar. Ställ omkopplaren på When Needed så visas etiketterna först när en andra talare har hörts, så en keynote läses som vanlig text och ett panelsamtal som ett samtal.
För att talare ska kännas igen med namn från första raden registrerar du deras röster i förväg under Voices. Ett klipp där en person talar räcker: MP3, M4A eller WAV, minst trettio sekunder långt, men några minuter är bättre. Personen måste ha godkänt det, och dashboarden ber dig bekräfta att du har tillstånd innan den skapar rösten. Behandla det som mer än en kryssruta. Enligt GDPR betraktas ett röstavtryck som används för att identifiera en person i regel som biometriska uppgifter (artikel 9). Det innebär uttryckligt samtycke och rätt att få röstavtrycket raderat. Liknande regler finns på andra håll, och talaravtal är det enkla stället att reglera det. En klonad röst kan raderas när som helst. Så länge den finns gör den det också möjligt för lyssnarna att höra den talarens översättningar i en matchande röst.
När abonnemanget är bestämt återstår själva dagen.
Varje livetranskribering har en flik Speed med ett latensläge och en graf över fördröjningen över tid. Tre inställningar:
För en manusenlig keynote med en ren signal från bordet är Auto rätt; för ett tekniskt panelsamtal med fyra accenter och inget manus är Accuracy värt den extra fördröjningen.
Uppstarten är den andra tidpunkten att planera för. På Pay as you go kan en kall start ta upp till 15 sekunder innan transkriberingen börjar. Premium startar oftast varm, och Enterprise gör alltid det. Tryck på start under inmarschen, inte på det första ordet.
Oavsett läge kommer en del ord att bli fel, så någon bör hålla koll.
Någon vid bordet bör hålla fliken Fix öppen. Den har två omkopplare: Mark uncertain words färgar och understryker de ord som motorn var osäker på, och Click to correct öppnar en rad för granskning när du klickar på den. Fliken guidar dig genom de osäkra segmenten ett i taget, och en rättelse når varje lyssnare på varje språk.
Publikmikrofonen är den svaga länken i varje rum, och frågestunden är där det syns. Be moderatorn upprepa varje fråga från publiken i sin egen mikrofon innan den besvaras. Undertexterna tackar dem, och det gör också de bakersta raderna, som inte heller hörde frågan.
Mellan passen har bordet en annan uppgift.
Värdvyn kan pausa och återuppta en inspelning, och lyssnarens sida visar ett meddelande: ”Pausad. Transkriptet fortsätter när värden återupptar.” Pausen är till för ett byte, inte för en lunchpaus. Varje inspelning har en högsta paustid, som i dashboarden är inställd till 30 sekunder, 1 minut eller 3 minuter; en inspelning som lämnas pausad längre avslutas av sig själv.
För ett längre uppehåll stoppar du inspelningen och startar en ny när nästa pass börjar. Varje inspelning finns kvar i listan på sändningens sida, så på eftermiddagen kan deltagarna bläddra tillbaka till förmiddagens pass. En enskild livesinspelning har ett tak på några timmar på Pay as you go och längre på Premium (exakta siffror finns på prissidan), så en lång dag blir ändå flera inspelningar.
Ta en titt mitt på förmiddagen på vem som faktiskt läser.
Publikvyn under fliken Broadcast visar vilka som är inne, hur många som lyssnar just nu, vilka språk de har öppna och lyssnare över tid. Varje transkribering omfattar upp till 10 språk, och varje lyssnare väljer ett på sin egen enhet. Vyn visar alltså vilka språk rummet faktiskt läser, vilket sällan är den lista arrangörerna gissade. Deltagare anmälda från Madrid visar sig läsa engelska; raden för portugisiska fylls på från ett bord ingen väntade sig. Ta listan med hem till nästa år.
Alla de lyssnarna är gratis. Det som kostar pengar är ljudet.
Livetranskribering kostar $0.60 per timme ljud, faktureras per sekund med en minimitid på 5 minuter per transkribering, i alla abonnemang och via API:et. Två scener som kör åtta timmar vardera är 16 timmars liveljud, eller $9.60. Översättningar, sändning, sammanfattningar och exporter ingår, oavsett hur många som lyssnar.
Abonnemanget avgör kapaciteten snarare än priset. Pay as you go ger $5 i krediter vid registrering, utan kort, en transkribering i taget och en högsta inspelningstid på 5 timmar. En livetranskribering stannar omedelbart när krediten når noll, så fyll på innan dörrarna öppnar. Premium kostar $50 i månaden ($40 i månaden med årsabonnemanget) och inkluderar $50 i krediter varje månad, vilket räcker till 83 livetimmar. Det tillåter fem samtidiga transkriberingar och 10-timmarsinspelningar, och lägger till en karensperiod: en livetranskribering fortsätter att köra en stund efter noll, och de extra minuterna faktureras till samma pris. Två parallella scener kräver Premium. Enterprise har anpassad prissättning, obegränsad samtidighet, 24-timmarsinspelningar och en dedikerad motorpool.
Se hela tabellen på prissidan, och kontrollera ditt saldo under Billing i dashboarden veckan före.
Faktureringen stannar när ljudet gör det; transkriptet gör det inte.
Transkript sparas i 30 dagar på Pay as you go och utan gräns på Premium och Enterprise. På Pay as you go sparas källjudet bara i 7 dagar. Exportera inom veckan om du är på gratisabonnemanget.
För hur länken ser ut från deltagarens plats, se En länk, alla språk, eller prova den livedemon på startsidan.
