Ett flerspråkigt rum behöver inte en tolkkabin per språk. Det behöver en ren ljudsignal från mixerbordet, en länk som publiken öppnar på sina egna telefoner och ett sätt att rätta ett felhört namn medan talet pågår.
Ett tal, en gudstjänst, en föreläsning eller ett kommunfullmäktigemöte har en person som talar och en publik som inte alla tänker på det språket. De vanliga lösningarna är dyra, ofullständiga eller privata.
Den dyra lösningen är en tolk för varje språk. Även med en tolk per språk handlar det om en tolkkabin, en uppsättning mottagare och en specialist för varje språk i rummet, och specialisterna säger inte samma sak. Varje tolk gör egna val under tidspress: vilket ord som ska användas för en term, vad som ska komprimeras, vad som ska utelämnas när talaren talar snabbare. Vid ett vanligt föredrag spelar skillnaderna knappt någon roll. Vid en rättegång, en kommunal omröstning eller en teknisk genomgång gör de det: en definierad term, en dosering eller en klausul kan nå de franskspråkiga lyssnarna med en betydelse och de arabisktalande med en annan, och ingen i rummet är i ett läge att märka det. Den ofullständiga lösningen är en undertextning på en enda skärm, på bara ett andraspråk. Den privata lösningen är femtio telefoner som hålls upp mot rummet: femtio lite felaktiga transkript, där varje telefon hör ekot och hostningen lika tydligt som talaren.
Alternativet är att transkribera talaren en gång, från en ren källa, och översätta det enda transkriptet till de språk publiken behöver, så att alla språk utgår från samma ord, och låta varje lyssnare välja på sin egen enhet. Inspelningen sparas när evenemanget är slut. Här är hur värden och lyssnaren ställer in det och vad det kostar.
En livetranskribering kan lyssna på en mikrofon på vilken enhet som helst, ett RTMP-flöde från OBS eller någon annan encoder som tar en serveradress och en streamnyckel, en YouTube-livesändning, en internetradiostation eller vilken URL som helst som levererar en ström. För en ström hämtar VocalStack ljudet själv; ingenting körs på din sida.
Källan betyder mer än någon inställning. En rumsmikrofon, eller en telefon på ett bord, hör talaren plus rummet: efterklang från väggar, stolar, publiken. Taligenkänning försämras kraftigt när rösten blir svagare i förhållande till det bruset, vilket är varför de femtio telefonerna inte stämmer överens. Ett flöde från mixerbordet bär talarens egen mikrofon med lite av rummet i sig, så transkriptet följer talaren, inte rummet. Om lokalen har ett mixerbord, ta flödet därifrån.
Talspråket identifieras automatiskt, och talaren kan byta när som helst; att ange språket i förväg hjälper vid brusiga inspelningar och kraftig brytning. Talarmärkning kan vara av, på eller When Needed, vilket slår på den så snart en andra talare hörs. När ljudet väl kommer in behöver publiken en plats där de kan hitta det.
En sändning är länken: en adress och en QR-kod som lyssnarna skannar för att öppna livetolkningen och välja sitt språk. Länken skapas utifrån namnet du ger sändningen. Byter du namn senare fungerar den gamla länken fortfarande, så en QR-kod tryckt på ett program blir inte inaktuell.
En sändning är offentlig som standard: alla med länken kan öppna den. Gör den privat och ange ett lösenord, så får lyssnarna ange det innan transkriptet visas.
En sändning kan matas av flera livetranskriberingar, så en konferens med två scener delar på en och samma länk. Länken släpper in folk; det som håller kvar dem är att namnen blir rätt.
Taligenkännare tränas på hur människor brukar tala, så när ett ljud är tvetydigt tar de det vanliga ordet. Ett produktnamn, ett efternamn, en by, en kemisk förening: var och en har en vanligare nära homofon, och det är den som kommer ut om inte igenkännaren får veta att det ovanliga ordet är på väg. Det är vad ett manus är till för. Lägg till ett manus eller bilder innan du startar, så vinner namnen och termerna i dem över det som hörts fel. Just dessa namn och termer är där igenkänningen brukar falla på ett specialiserat föredrag. Under inspelningen följer fliken Script med som en teleprompter och markerar de ord som hittills sagts.
Det är hela uppsättningen. På andra sidan länken finns ännu mindre att göra.
En lyssnare behöver en länk eller en QR-kod och en telefon. De öppnar länken i en webbläsare och ser The broadcast hasn't started yet tills värden trycker på record, sedan Live. The first line appears in a moment. De väljer bland de språk värden valt (upp till 10 per transkribering, av 100 tillgängliga) och läser transkriptet medan talaren talar. Värden fortsätter tala på sitt eget språk. En lyssnare kan byta språk när som helst; transkriptet hittills visas igen på det nya språket.
Om en lyssnare föredrar att lyssna läses varje översatt rad upp. Som standard får varje talare en egen standardröst av matchande kön, så att en panel fortfarande låter som en panel.
De tre stegen sker i ordning, och varje steg väntar på det föregående. Igenkänningen behöver en bit tal innan den kan bestämma sig för orden, så transkriptet släpar efter talaren med en bråkdel av en sekund. Översättningen behöver en hel fras, eftersom ordföljden skiljer sig mellan språk och meningens slut kan ändra början, så den kommer en sekund eller två senare. Talet behöver den översatta meningen innan det kan börja, så en talad rad kommer sist. Inget av detta är ett fel att trimma bort; det är vad varje system som gör dessa tre saker måste göra, inklusive en mänsklig tolk, som också väntar på verbet.
Med talarens tillstånd kan en värd klona talarens röst från trettio sekunder av just den personen som talar ensam (en MP3, M4A eller WAV; några minuter är bättre). Översättningen läses då upp med talarens egen röst på alla språk. Behandla en röst som den biometriska data den är. Enligt GDPR faller röstdata som behandlas för att identifiera en person i allmänhet inom de särskilda kategorierna i artikel 9, och vissa delstater i USA, bland dem Illinois, reglerar röstavtryck separat. Inhämta talarens uttryckliga samtycke innan provet spelas in, inte efteråt; rösten kan raderas när som helst. Kloning registrerar också talaren, så de märks med namn i framtida inspelningar. En värd kan tilldela en röst till varje talare eller tysta en.
En lyssnare som kommer sent ser allt som sagts innan de kom in och följer sedan live. Om anslutningen bryts hämtar sidan själv upp det som missats när anslutningen återkommer. När värden pausar ser lyssnarna Paused. The transcript continues when the host resumes. När värden stoppar visar sidan inspelningens datum och längd, och sändningen listar sina tidigare inspelningar för uppspelning.
En lyssnare kan bara läsa det motorn hörde, och livetaligenkänning har fel på en del av det.
Värdskärmen har en flik Fix just för det. Mark uncertain words färgar och understryker orden som motorn var osäker på; Click to correct öppnar en rad för granskning. Fliken går igenom osäkra segment ett i taget, så en andra person vid bordet kan arbeta igenom dem medan talaren fortsätter.
När en värd skriver om ett ord eller en rad, även en som fortfarande talas, ser varje lyssnare rättelsen. En rad vars säkerhet är för låg döljs för lyssnarna som Audio unclear i stället för att visas fel; värden ser fortfarande varje ord. En tom plats är en känd lucka; ett säkert felaktigt ord är ett rykte.
Rättelserna försvinner inte när föredraget är slut.
Allt sparas. Inspelningen, dess transkript med rättelser och översättningar samt ljudet hamnar i värdens bibliotek. Uppspelningen spelar upp allt exakt som det kom in, rad för rad, med sitt ljud. När orden är slutgiltiga skrivs en titel och en sammanfattning på alla språk, och värdskärmens flikar Summary och Export tar dem direkt ut ur evenemanget.
Exporterna är SRT-undertexter, PDF, Excel eller JSON, med rättelser och översättningar inkluderade, och ljudet laddas ned som MP3. Varje transkript går att söka i på vilket språk som helst.
Vyn Audience visar vem som lyssnade, på vilket språk och när de anslöt: ofta den första verkliga räkningen en arrangör får över vem som behövde vilket språk. Tills dess var den vanliga uppskattningen de som räckte upp handen när man på engelska frågade om de behövde översättning. Lyssnarnas identifierare raderas tillsammans med inspelningen.
Taligenkänning, talarigenkänning och röstsyntes körs på servrar som vi driver, och ditt ljud skickas inte till någon tredje part för bearbetning. Vi använder inte ditt ljud, dina transkript eller dina röster för att träna modeller.
Lagringstiden följer abonnemanget: på Pay as you go sparas källjud och röster i 7 dagar och transkriptioner i 30 dagar; Premium och Enterprise behåller dem så länge kontot finns. Det andra som abonnemanget avgör är fakturan.
Två siffror spelar roll. På Pay as you go och Premium kostar livetranskribering $0.60 per timme ljud, faktureras per sekund med en minimiperiod på 5 minuter per transkribering, i Dashboarden och via API:et på samma sätt; Enterprise har volympriser. Lyssnare och språk är gratis: ett evenemang på en timme som läses på fem språk av tvåhundra personer kostar $0.60. Filer är billigare ($0.20 per timme) eftersom en livetranskribering körs i realtid under hela evenemanget. Abonnemangen skiljer sig åt i samtidighet, längsta inspelningstid och uppstartshastighet; på Pay as you go kan en kallstart ta upp till 15 sekunder, så tryck på record lite innan talaren börjar, ungefär ett "Kan alla längst bak höra mig?" i förväg. Hela tabellen finns på prissidan.
Startsidan har en demo med två telefoner, och ett nytt konto i Dashboard får en registreringskredit på $5 och kräver inget kort. Till livepriset räcker den krediten till över åtta timmars sändning.
Funderar du mellan detta och den livetolkning som finns inbyggd i allas telefoner? Läs varför en telefon inte räcker för ett rum. För ett helt evenemang täcker checklistan för flerspråkiga konferenser ljudvägen, flera scener på en länk och budgeten. Utvecklare kan göra allt detta från kod via API-referensen, till samma pris.
