ห้องที่มีหลายภาษาไม่จำเป็นต้องมีบูธล่ามแยกทุกภาษา สิ่งที่ต้องมีคือสัญญาณเสียงที่สะอาดหนึ่งสายจากโต๊ะมิกเซอร์ ลิงก์หนึ่งลิงก์ที่ผู้ฟังเปิดบนโทรศัพท์ของตัวเอง และวิธีแก้ชื่อที่ฟังผิดได้ขณะที่การพูดยังดำเนินอยู่
การบรรยาย พิธีทางศาสนา การสอน หรือการประชุมสภาท้องถิ่น มีผู้พูดหนึ่งคนและผู้ฟังที่ไม่ได้คิดเป็นภาษานั้นทุกคน คำตอบที่มักใช้กันอยู่นั้นมีราคาแพง ครอบคลุมไม่ครบ หรือเป็นการส่วนตัวเกินไป
คำตอบที่แพงที่สุดคือการจ้างล่ามสำหรับแต่ละภาษา แม้จะมีล่ามหนึ่งคนต่อหนึ่งภาษา ก็ต้องมีบูธ ชุดหูฟังรับสัญญาณ และผู้เชี่ยวชาญสำหรับทุกภาษาในห้อง และผู้เชี่ยวชาญเหล่านี้ไม่ได้พูดสิ่งเดียวกัน ล่ามแต่ละคนตัดสินใจเองภายใต้แรงกดดันของเวลา ว่าจะใช้คำใดกับคำศัพท์หนึ่ง จะย่อตรงไหน และจะตัดอะไรทิ้งเมื่อผู้พูดพูดเร็วขึ้น ในการบรรยายทั่วไปความต่างเหล่านี้แทบไม่มีผล แต่ในการพิจารณาคดี การลงมติของสภา หรือการบรรยายเชิงเทคนิค ความต่างนี้สำคัญมาก คำนิยามเฉพาะ ขนาดยา หรือข้อกำหนดในสัญญา อาจไปถึงผู้ฟังชาวฝรั่งเศสด้วยความหมายหนึ่ง และไปถึงผู้ฟังชาวอาหรับด้วยอีกความหมายหนึ่ง โดยไม่มีใครในห้องมีโอกาสสังเกตเห็น คำตอบที่ครอบคลุมไม่ครบคือฟีดคำบรรยายบนจอเดียว ที่มีเพียงภาษาที่สองเดียว คำตอบที่เป็นการส่วนตัวคือการยกโทรศัพท์ห้าสิบเครื่องขึ้นให้ห้องได้ยิน ได้ข้อความถอดเสียงห้าสิบชุดที่ผิดเล็กน้อยทุกชุด โดยแต่ละเครื่องได้ยินเสียงก้องและเสียงไอพอๆ กับเสียงของผู้พูด
ทางเลือกคือถอดเสียงผู้พูดเพียงครั้งเดียวจากแหล่งเสียงที่สะอาด แล้วแปลข้อความถอดเสียงนั้นเป็นภาษาที่ผู้ฟังต้องการ ทำให้ทุกภาษาเริ่มจากคำพูดชุดเดียวกัน และให้ผู้ฟังแต่ละคนเลือกภาษาบนอุปกรณ์ของตัวเอง เมื่องานจบ การบันทึกจะถูกเก็บไว้ ต่อไปนี้คือวิธีที่ผู้จัดและผู้ฟังแต่ละฝ่ายตั้งค่า และสิ่งที่ต้องจ่าย
การถอดเสียงแบบสดสามารถรับเสียงจากไมโครโฟนบนอุปกรณ์ใดก็ได้ ฟีด RTMP จาก OBS หรือเอนโคดเดอร์อื่นใดที่รับ URL เซิร์ฟเวอร์และคีย์สตรีม สตรีม YouTube แบบสด สถานีวิทยุออนไลน์ หรือ URL ใดก็ตามที่ให้บริการสตรีม สำหรับสตรีม VocalStack จะดึงเสียงมาเอง คุณไม่ต้องรันอะไรฝั่งของคุณ
แหล่งเสียงสำคัญกว่าการตั้งค่าใดๆ ไมโครโฟนในห้องหรือโทรศัพท์ที่วางบนโต๊ะจะได้ยินทั้งผู้พูดและเสียงในห้อง ทั้งเสียงสะท้อนจากผนัง เก้าอี้ และผู้ฟัง การรู้จำเสียงพูดจะด้อยลงอย่างมากเมื่อเสียงพูดเบาลงเทียบกับเสียงรบกวนเหล่านั้น ซึ่งเป็นเหตุผลว่าทำไมโทรศัพท์ห้าสิบเครื่องถึงให้ผลไม่ตรงกัน ฟีดจากโต๊ะมิกเซอร์มีไมโครโฟนของผู้พูดโดยตรงโดยมีเสียงในห้องน้อย ดังนั้นข้อความถอดเสียงจะตามผู้พูด ไม่ใช่ตามห้อง หากสถานที่มีโต๊ะมิกเซอร์ ให้รับฟีดจากโต๊ะนั้น
ระบบจะตรวจจับภาษาที่พูดโดยอัตโนมัติ และผู้พูดจะเปลี่ยนภาษาเมื่อไรก็ได้ การระบุภาษาไว้ล่วงหน้าช่วยได้กับการบันทึกที่มีเสียงรบกวนหรือสำเนียงหนัก การแสดงป้ายชื่อผู้พูดตั้งเป็นเปิด ปิด หรือ When Needed ได้ ซึ่งจะเปิดเมื่อได้ยินผู้พูดคนที่สอง เมื่อมีเสียงเข้ามาแล้ว ผู้ฟังก็ต้องรู้ว่าจะหาเสียงนั้นได้ที่ไหน
การถ่ายทอดสดคือลิงก์: มีที่อยู่หนึ่งและรหัส QR ที่ผู้ฟังสแกนเพื่อเปิดการแปลสดและเลือกภาษา ลิงก์สร้างจากชื่อที่คุณตั้งให้การถ่ายทอด หากเปลี่ยนชื่อภายหลัง ลิงก์เดิมจะยังใช้ได้ ดังนั้นรหัส QR ที่พิมพ์บนกำหนดการจะไม่ล้าสมัย
การถ่ายทอดเป็นสาธารณะโดยค่าเริ่มต้น ใครก็ตามที่มีลิงก์เปิดดูได้ หากตั้งเป็นส่วนตัวและกำหนดรหัสผ่าน ผู้ฟังจะถูกขอรหัสก่อนที่ข้อความถอดเสียงจะปรากฏ
การถ่ายทอดหนึ่งรายการรับฟีดจากการถอดเสียงแบบสดหลายรายการได้ ดังนั้นการประชุมที่มีสองเวทีจึงใช้ลิงก์เดียวร่วมกันได้ ลิงก์ทำให้คนเข้ามาได้ สิ่งที่ทำให้พวกเขาอยู่ต่อคือการที่ชื่อต่างๆ ถูกต้อง
ตัวรู้จำเสียงพูดถูกฝึกจากวิธีที่คนพูดกันทั่วไป ดังนั้นเมื่อเสียงคลุมเครือ มันจะเลือกคำที่พบบ่อยที่สุด ชื่อผลิตภัณฑ์ นามสกุล ชื่อหมู่บ้าน หรือชื่อสารเคมี ล้วนมีคำที่พ้องเสียงซึ่งพบบ่อยกว่า และนั่นคือสิ่งที่จะปรากฏออกมา เว้นแต่ตัวรู้จำเสียงจะได้รับแจ้งว่าคำที่หายากกำลังจะมา นั่นคือหน้าที่ของสคริปต์ เพิ่มสคริปต์หรือสไลด์ก่อนเริ่มงาน แล้วชื่อและคำศัพท์ในนั้นจะมีชัยเหนือสิ่งที่ฟังผิดไป ชื่อและคำศัพท์เหล่านั้นคือจุดที่การรู้จำมักพลาดในการบรรยายเฉพาะทาง ระหว่างการบันทึก แท็บ Script จะตามไปเหมือนเครื่องช่วยพูด โดยไฮไลต์คำที่พูดไปแล้ว
นั่นคือการตั้งค่าทั้งหมด ฝั่งของลิงก์ผู้ฟังต้องทำน้อยกว่านั้นอีก
ผู้ฟังต้องมีลิงก์หรือรหัส QR และโทรศัพท์หนึ่งเครื่อง เขาเปิดลิงก์ในเบราว์เซอร์และจะเห็น The broadcast hasn't started yet จนกว่าผู้จัดจะกดบันทึก แล้วจึงเห็น Live. The first line appears in a moment. เขาเลือกจากภาษาที่ผู้จัดเลือกไว้ (สูงสุด 10 ภาษาต่อการถอดเสียงหนึ่งรายการ จากทั้งหมด 100 ภาษา) และอ่านข้อความถอดเสียงไปพร้อมกับที่ผู้พูดพูด ผู้จัดยังคงพูดด้วยภาษาของตัวเอง ผู้ฟังเปลี่ยนภาษาได้ทุกเมื่อ และข้อความที่ผ่านมาทั้งหมดจะแสดงใหม่ในภาษาที่เลือก
หากผู้ฟังต้องการฟัง ทุกบรรทัดที่แปลแล้วจะถูกอ่านออกเสียง โดยค่าเริ่มต้น ผู้พูดแต่ละคนจะได้เสียงสำเร็จรูปที่แตกต่างกันซึ่งตรงกับเพศ เพื่อให้คณะผู้อภิปรายยังฟังเป็นคณะผู้อภิปรายอยู่
ทั้งสามขั้นตอนเกิดขึ้นตามลำดับ และแต่ละขั้นต้องรอขั้นก่อนหน้า การรู้จำต้องได้ช่วงเสียงพูดสักระยะก่อนจึงจะยืนยันคำได้ ดังนั้นข้อความถอดเสียงจะตามหลังผู้พูดเพียงเศษเสี้ยววินาที การแปลต้องได้ทั้งวลี เพราะลำดับคำในแต่ละภาษาไม่เหมือนกัน และตอนท้ายของประโยคอาจเปลี่ยนความหมายของตอนต้น จึงตามมาอีกหนึ่งหรือสองวินาที การพูดต้องได้ประโยคที่แปลแล้วก่อนจึงจะเริ่มได้ ดังนั้นบรรทัดที่พูดจะมาเป็นลำดับสุดท้าย ไม่มีส่วนใดเป็นข้อบกพร่องที่ต้องปรับให้หายไป นี่คือสิ่งที่ระบบที่ทำงานสามอย่างนี้ต้องทำ รวมถึงล่ามที่เป็นคนก็ต้องรอกริยาเช่นกัน
ด้วยความยินยอมของผู้พูด ผู้จัดสามารถโคลนเสียงของผู้พูดจากเสียงพูดของบุคคลนั้นเพียงลำพังสามสิบวินาที (ไฟล์ MP3, M4A หรือ WAV ยิ่งยาวหลายนาทียิ่งดี) จากนั้นการแปลจะถูกอ่านด้วยเสียงของผู้พูดเองในทุกภาษา ควรถือว่าเสียงเป็นข้อมูลชีวมิติ ภายใต้ GDPR ข้อมูลเสียงที่ประมวลผลเพื่อระบุตัวบุคคลโดยทั่วไปอยู่ในหมวดพิเศษตามมาตรา 9 และบางรัฐของสหรัฐฯ รวมถึงอิลลินอยส์ มีกฎหมายควบคุมลายเสียงแยกต่างหาก ขอความยินยอมที่ชัดเจนจากผู้พูดก่อนบันทึกตัวอย่าง ไม่ใช่หลังจากนั้น และเสียงสามารถลบได้ทุกเมื่อ การโคลนเสียงยังลงทะเบียนผู้พูดด้วย ดังนั้นพวกเขาจะถูกติดป้ายชื่อในการบันทึกครั้งต่อไป ผู้จัดกำหนดเสียงให้แต่ละผู้พูดได้ หรือปิดเสียงของใครคนหนึ่งได้
ผู้ฟังที่มาสายจะเห็นทุกอย่างที่พูดก่อนที่เขาจะเข้ามา แล้วตามต่อไปแบบสด หากการเชื่อมต่อขาดหาย หน้าเว็บจะตามทันเองเมื่อการเชื่อมต่อกลับมา เมื่อผู้จัดหยุดชั่วคราว ผู้ฟังจะเห็น Paused. The transcript continues when the host resumes. เมื่อผู้จัดหยุดการถ่ายทอด หน้าเว็บจะแสดงวันที่และความยาวของการบันทึก และการถ่ายทอดจะแสดงรายการการบันทึกที่ผ่านมาเพื่อให้เล่นซ้ำได้
ผู้ฟังอ่านได้เฉพาะสิ่งที่เอนจินได้ยิน และการรู้จำแบบสดก็ทำให้ผิดพลาดบางส่วนเสมอ
แท็บ Fix บนหน้าจอของผู้จัดมีไว้สำหรับเรื่องนี้โดยเฉพาะ Mark uncertain words จะระบายสีและขีดเส้นใต้คำที่เอนจินไม่แน่ใจ Click to correct จะเปิดบรรทัดให้ตรวจทาน แท็บนี้จะพาไปยังช่วงที่ไม่แน่ใจทีละช่วง ทำให้คนที่สองที่โต๊ะสามารถตรวจทานได้ไปพร้อมกับที่ผู้พูดยังพูดต่อ
เมื่อผู้จัดเขียนคำหรือบรรทัดใหม่ แม้จะเป็นคำที่กำลังพูดอยู่ ผู้ฟังทุกคนจะเห็นการแก้ไขนั้น บรรทัดที่ความมั่นใจต่ำเกินไปจะถูกซ่อนจากผู้ฟังและแสดงเป็น Audio unclear แทนที่จะแสดงผิดๆ ผู้จัดยังเห็นทุกคำ ช่องว่างคือช่องโหว่ที่รู้อยู่แล้ว แต่คำผิดที่มั่นใจคือข่าวลือ
การแก้ไขเหล่านี้จะไม่หายไปเมื่องานจบ
ทุกอย่างถูกเก็บไว้ การบันทึก ข้อความถอดเสียงพร้อมการแก้ไขและการแปล และเสียงทั้งหมดจะเข้าไปอยู่ในคลังของผู้จัด การเล่นซ้ำจะเล่นทุกอย่างตามที่เกิดขึ้นจริง ทีละบรรทัดพร้อมเสียง เมื่อคำพูดเป็นที่สุดแล้ว จะมีการเขียนชื่อเรื่องและบทสรุปในทุกภาษา และแท็บ Summary กับ Export บนหน้าจอของผู้จัดจะนำพาไปยังสิ่งเหล่านั้นได้ทันทีหลังงาน
การส่งออกมีทั้งคำบรรยาย SRT, PDF, Excel หรือ JSON โดยรวมการแก้ไขและการแปลไว้ด้วย และเสียงดาวน์โหลดเป็น MP3 ข้อความถอดเสียงทุกฉบับค้นหาได้ในทุกภาษา
มุมมอง Audience แสดงว่าใครรับฟัง ฟังภาษาใด และเข้าร่วมเมื่อไร ซึ่งมักเป็นการนับจำนวนที่แท้จริงครั้งแรกที่ผู้จัดงานได้รับว่าใครต้องการภาษาใด ก่อนหน้านั้นการประมาณที่ใช้กันมาคือการถามคนในห้องเป็นภาษาอังกฤษว่าใครต้องการการแปลแล้วให้ยกมือ ตัวระบุตัวตนของผู้ฟังจะถูกลบพร้อมกับการบันทึก
การรู้จำเสียงพูด การระบุตัวผู้พูด และการสังเคราะห์เสียงพูดทำงานบนเซิร์ฟเวอร์ที่เราดูแลเอง และเสียงของคุณจะไม่ถูกส่งไปยังบุคคลที่สามเพื่อประมวลผล เราไม่ใช้เสียง ข้อความถอดเสียง หรือเสียงพูดของคุณเพื่อฝึกโมเดล
การเก็บรักษาเป็นไปตามแพ็กเกจ ใน Pay as you go เสียงต้นฉบับและเสียงพูดจะเก็บไว้ 7 วัน และข้อความถอดเสียงเก็บไว้ 30 วัน ส่วน Premium และ Enterprise เก็บไว้ตลอดอายุบัญชี อีกสิ่งหนึ่งที่แพ็กเกจกำหนดคือค่าใช้จ่าย
มีตัวเลขสองตัวที่สำคัญ ใน Pay as you go และ Premium การถอดเสียงแบบสดคิด $0.60 ต่อชั่วโมง ของเสียง เรียกเก็บตามวินาทีโดยมีขั้นต่ำ 5 นาทีต่อการถอดเสียงหนึ่งรายการ ทั้งใน แดชบอร์ด และผ่าน API เช่นเดียวกัน ส่วน Enterprise มีอัตราตามปริมาณ ผู้ฟังและภาษาไม่มีค่าใช้จ่าย งานหนึ่งชั่วโมงที่แปลเป็นห้าภาษาให้ผู้ฟังสองร้อยคนจึงมีค่าใช้จ่าย $0.60 ไฟล์มีราคาถูกกว่า ($0.20 ต่อชั่วโมง) เพราะการถอดเสียงแบบสดทำงานตามเวลาจริงตลอดทั้งงาน แพ็กเกจต่างกันที่จำนวนการทำงานพร้อมกัน ความยาวการบันทึกสูงสุด และความเร็วในการเริ่มต้น ใน Pay as you go การเริ่มเย็นอาจใช้เวลาถึง 15 วินาที ดังนั้นควรกดบันทึกก่อนผู้พูดสักเล็กน้อย ประมาณว่าก่อนประโยค "ทุกคนแถวหลังได้ยินไหมครับ" หนึ่งประโยค ตารางเต็มอยู่ในหน้า ราคา
หน้าแรก มีเดโมแบบโทรศัพท์สองเครื่อง และบัญชีใหม่ใน แดชบอร์ด จะได้รับเครดิตสมัคร $5 โดยไม่ต้องใส่บัตร ด้วยอัตราสด เครดิตนั้นครอบคลุมการถ่ายทอดได้มากกว่าแปดชั่วโมง
กำลังตัดสินใจระหว่างวิธีนี้กับการแปลสดที่มีอยู่ในโทรศัพท์ของทุกคนหรือไม่ อ่าน ทำไมโทรศัพท์จึงไม่พอสำหรับห้อง สำหรับงานเต็มรูปแบบ รายการตรวจสอบการประชุมหลายภาษา ครอบคลุมเส้นทางเสียง หลายเวทีบนลิงก์เดียว และงบประมาณ นักพัฒนาสามารถทำทั้งหมดนี้จากโค้ดได้ผ่าน เอกสาร API ในอัตราเดียวกัน
