Nananalo ang captions sa mixing desk at sa mga slide ng nagsasalita. Kumuha ng isang malinis na feed mula sa speech microphones ng bawat stage at i-load ang lahat ng pangalan at acronym bago pa umakyat ang sinuman sa entablado; ang natitirang bahagi ng araw ay pag-aayos na lang ng dalawang bagay na hindi nakuha ng mga iyon.
Karamihan ng trabaho sa pag-caption ng isang conference ay nangyayari bago pa umakyat ang sinuman sa entablado, at karamihan doon ay hindi software.
Naririnig ng phone sa lectern ang buong kuwarto; naririnig ng mixing desk ang nagsasalita. Kunin ang feed mula sa desk, at maging tiyak kung aling feed. Hilingin sa sound engineer ng dedikadong aux o matrix send na para lang sa speech microphones: lectern, lapel mics, panel mics. Hindi kasama rito ang walk-in music, video playback at applause stem. Ang recognition na kailangang makinig sa gitna ng jingle ay gumagawa ng kumpiyansang hula sa lyrics.
Subukan ang send na iyon sa tech rehearsal, gamit ang totoong microphones at totoong speakers kung kaya. Kung hindi, malalaman mo sa 8:55 ng umaga ng event na post-fader pala ang matrix output at minu-mute ng engineer ang lectern sa pagitan ng mga talk.
Ibigay sa VocalStack ang feed na iyon sa dalawang paraan. Ang una ay isang RTMP encoder sa desk. Kapag idinagdag mo ang RTMP stream bilang source ng isang live na transcription, ipinapakita ng Dashboard ang server URL at stream key na kailangan ng encoder, sinasabi kung dumarating na ang audio at sa anong format, at pinapayagan kang pakinggan ito. Ang ikalawa ay isang stream address. Kung ang stage ay nagla-livestream na bilang YouTube live o audio stream, i-paste ang link na iyon at kukunin ng VocalStack ang audio mismo; walang kailangang patakbuhin sa panig mo. I-paste ang mismong address ng stream, hindi ang pahinang pinapatugtog nito. Kung napagkamalan mong web page ang na-paste mo, sasabihin ito ng Dashboard.
Alinman ang piliin mo, gumamit ng iisang microphone feed bawat stage. Ang mikropono ng audience at crosstalk ay nagpapababa ng accuracy, at walang setting na makakabawi nito. Ang pinakamagandang mikropono sa building ay dapat nasa panelist na palaging sumasandal palayo rito.
Kapag dumarating na ang audio, kailangan ng mga attendee ng lugar na mababasahan ng captions.
Ang broadcast ang link na bubuksan ng mga attendee. Gumawa nito sa ilalim ng Broadcasts, bigyan ng pangalan, at piliin ang link nito. Nagmumungkahi ang Dashboard ng link batay sa pangalan; maaari mo itong i-edit, basta't hindi bababa sa anim na karakter ang haba nito. Ipinapakita rin ng parehong screen ang QR code na i-scan ng mga attendee para buksan ang live translation at piliin ang wika nila.
Magpasya na ngayon kung public o private ang broadcast. Ang public ay nangangahulugang sinumang may link ay makakabukas nito. Ang private naman ay nangangailangan ng attendees na maglagay ng maikling password bago lumabas ang transcript. Kung kailangang palitan ang link sa hinaharap, palitan ito; patuloy na gagana ang luma.
Pagkatapos, isipin kung paano makakarating ang link sa isang libong bulsa. Ilagay ang QR code sa holding slide bago ang bawat session, sa signage sa mga pinto, at sa lanyard card kung mayroon. Ang daan-daang phone na sabay-sabay sumasali ay tunay na pabigat sa Wi-Fi ng venue, kaya tanungin ang venue kung para sa ilang access point ito idinisenyo at kung nililimitahan ng guest network ang bawat device. Kung balikat lang ang isasagot nila, sabihin sa attendees na gumamit ng mobile data. Maliit ang mga pahina; ang Wi-Fi ang panganib.
Hindi kailangan ng conference na may dalawang stage ng dalawang link. Maaaring pakainin ng isang broadcast ang ilang live transcription nang sabay. Ang Stage A at Stage B ay nagiging dalawang transcription na nakakabit sa iisang broadcast, at iisang pahina sa phone ng attendee ang nagpapakita ng pareho. Ang bawat stage ay sarili nitong live transcription, at may limitasyon ang bawat plan kung ilan ang maaaring tumakbo nang sabay (1 sa Pay as you go, 5 sa Premium, walang limitasyon sa Enterprise). Babalikan ang limitasyong iyon sa seksyon ng budget sa ibaba.
Mahalaga ang link, pero mas mahalaga ang mga salitang nasa likod nito.
Sa anumang sistema, nadadapa ang live recognition sa mga pangalan, product term at acronym. Idagdag ang script o slides ng bawat nagsasalita bago ka magsimula, at ang mga pangalan at term na nasa mga iyon ang mauuna kaysa sa naiisip ng engine na narinig nito. Habang nagsasalita, sinusundan ng Script tab ang mga salita na parang teleprompter.
Ito rin ang panahon para maging tapat tungkol sa machine captioning. Ang speech recognition kasama ang machine translation ay hindi CART (Communication Access Realtime Translation, ang mga captions na tina-type nang live ng sinanay na human captioner), at hindi rin ito interpretation. Mabilis ito, mura, at hindi napapagod, pero paminsan-minsan ay babaliktarin nito ang isang negation, ire-round ang isang numero, o gagawing katotohanan ang isang biro. Para sa keynote, product session o panel, karaniwang tama ang trade-off na ito. Para sa session na may malaking epekto ang maling salita (legal, medikal, boto), kumuha ng human captioner o interpreter at hayaang tumakbo ang machine bilang kasamang written record. Sulit ding malaman ang batayan ng accessibility: hinihingi ng WCAG 2.x ang captions sa live audio sa level AA (criterion 1.2.4), at dumarami ang public-sector at venue contracts na tahasang tumutukoy dito.
Kapag naayos na ang mga salita, ang huling paghahanda ay tungkol naman sa kung sino ang nagsasalita.
Sinasabi ng speaker label sa audience kung sino ang nagsasalita. Itakda ang switch sa When Needed at lalabas lang ang mga label kapag may narinig nang ikalawang nagsasalita, kaya ang keynote ay mababasa bilang plain text at ang panel ay mababasa bilang usapan.
Para makilala ang mga nagsasalita sa pangalan mula sa unang linya, i-enrol nang maaga ang kanilang boses sa ilalim ng Voices. Sapat na ang isang clip ng iisang taong nagsasalita: MP3, M4A o WAV, hindi bababa sa tatlumpung segundo ang haba, bagaman mas mainam ang ilang minuto. Dapat sumang-ayon ang tao, at hihilingin ng Dashboard na kumpirmahin mong may permiso ka bago nito likhain ang voice. Huwag itong ituring na checkbox lang. Sa ilalim ng GDPR, ang voiceprint na ginagamit para tukuyin ang isang tao ay karaniwang itinuturing na biometric data (Article 9). Ibig sabihin nito ay tahasang pahintulot at karapatang ipa-delete ang voiceprint. May katulad na patakaran sa ibang lugar, at ang mga speaker agreement ang pinakamadaling paraan para masakop ito. Maaaring i-delete ang cloned na boses anumang oras. Habang umiiral pa ito, nagbibigay-daan din ito sa mga nakikinig na marinig ang pagsasalin ng nagsasalitang iyon sa katugmang boses.
Kapag naayos na ang plano, ang natitira ay ang mismong araw.
Bawat live transcription ay may Speed tab na may latency mode at chart ng delay sa paglipas ng panahon. Tatlong setting ang makikita:
Para sa scripted na keynote na malinis ang desk feed, tama ang Auto; para sa technical panel na may apat na accent at walang script, sulit ang dagdag na delay ng Accuracy.
Ang start-up ay isa pang oras na dapat planuhin. Sa Pay as you go, maaaring umabot ng 15 segundo ang cold start bago magsimula ang transcription. Karaniwang mainit na nagsisimula ang Premium, at laging ganoon ang Enterprise. Pindutin ang start habang nagwa-walk-in ang mga tao, hindi sa unang salita.
Anuman ang mode, may ilang salitang magiging mali, kaya may dapat magbantay.
Dapat may magbukas ng Fix tab sa desk. May dalawang switch ito: ang Mark uncertain words ay kukulayan at gigitlingan ang mga salitang hindi tiyak ang engine, at ang Click to correct ay magbubukas ng linya para sa pagsusuri kapag na-click ito. Isa-isang dinadaanan ng tab ang mga uncertain na segment, at ang correction ay umaabot sa bawat nakikinig sa bawat wika.
Ang microphone ng audience ang mahinang bahagi ng anumang kuwarto, at doon lumalabas ito sa Q&A. Hilingin sa moderator na ulitin ang bawat tanong ng audience sa sarili nilang mikropono bago sumagot. Magpapasalamat ang mga caption, at magpapasalamat din ang nasa likurang hanay, na hindi rin narinig ito.
Sa pagitan ng mga session, iba ang trabaho ng desk.
Maaaring i-pause at ituloy ng host screen ang isang recording, at magpapakita ng abiso ang pahina ng nakikinig: "Paused. The transcript continues when the host resumes." Para sa changeover ang pause, hindi para sa tanghalian. Bawat recording ay may pinakamataas na oras ng pause, na itinakda sa Dashboard sa 30 segundo, 1 minuto o 3 minuto; ang recording na naiwang naka-pause nang mas matagal ay awtomatikong magtatapos.
Para sa mas mahabang agwat, ihinto ang recording at magsimula ng bago sa pagsisimula ng susunod na session. Nakalista ang bawat recording sa pahina ng broadcast, kaya sa hapon ay maaaring i-scroll pabalik ng mga attendee ang mga session ng umaga. Ang iisang live recording ay may limitasyong ilang oras sa Pay as you go at mas mahaba sa Premium (ang eksaktong bilang ay nasa pahina ng presyo), kaya sa anumang kaso ay ilang recording ang mahabang araw.
Sa kalagitnaan ng umaga, tingnan kung sino talaga ang nagbabasa.
Ipinapakita ng audience view ng Broadcast tab kung sino ang nasa loob, ilan ang nakikinig ngayon, ang mga wikang nakabukas nila, at ang mga nakikinig sa paglipas ng panahon. Hanggang 10 wika ang kasama sa bawat transcription, at pumipili ang bawat nakikinig ng isa sa sarili nilang device. Kaya sinasabi sa iyo ng view kung aling mga wika talaga ang binabasa ng kuwarto, na bihirang tumugma sa listahang hinulaan ng mga organizer. Ang mga delegate na nagpa-register mula sa Madrid ay lumalabas na nagbabasa ng English; ang Portuguese row ay napupuno mula sa isang mesang hindi inasahan ng sinuman. Dalhin ang listahang iyon pauwi para sa susunod na taon.
Libre ang bawat isa sa mga nakikinig na iyon. Ang audio ang may gastos.
Ang live transcription ay $0.60 kada oras ng audio, sinisingil bawat segundo na may 5-minutong minimum bawat transcription, sa bawat plan at sa pamamagitan ng API. Ang dalawang stage na tumatakbo nang tig-walong oras ay 16 na oras ng live audio, o $9.60. Kasama ang mga pagsasalin, broadcast, buod at export, gaano man karaming tao ang nakikinig.
Ang plan ay mahalaga para sa kapasidad, hindi para sa rate. Ang Pay as you go ay nagbibigay ng $5 na one-time signup credit nang walang kailangang card, isang transcription sa isang pagkakataon, at 5-oras na maximum recording. Agad na hihinto ang isang live transcription kapag naabot ng credit ang zero, kaya mag-top up bago magbukas ang mga pinto. Ang Premium ay $50 kada buwan ($40 kada buwan sa annual plan) at may kasamang $50 na credit bawat buwan, na sapat para sa 83 oras ng live. Pinapayagan nito ang limang sabay-sabay na transcription at 10-oras na recording, at nagdaragdag ng grace period: nagpapatuloy ang isang live transcription nang ilang sandali lampas sa zero, at sinisingil ang dagdag na minuto sa parehong rate. Ang dalawang sabay na stage ay nangangailangan ng Premium. Ang Enterprise ay may custom na presyo, walang limitasyong concurrency, 24-oras na recording at dedicated na engine pool.
Tingnan ang pahina ng presyo para sa buong talaan, at suriin ang iyong balanse sa ilalim ng Billing sa Dashboard isang linggo bago ang event.
Humihinto ang singil kapag humihinto ang audio; hindi humihinto ang transcript.
Itinatago ang mga transcript nang 30 araw sa Pay as you go, at walang limitasyon sa Premium at Enterprise. Sa Pay as you go, 7 araw lang itinatago ang source audio. Mag-export sa loob ng linggo kung nasa libreng plan ka.
Para sa kung paano itsura ng link mula sa upuan ng attendee, tingnan ang Isang link, bawat wika, o subukan ang live demo sa home page.
