Hindi kailangan ng multilingual na kuwarto ng booth para sa bawat wika. Kailangan nito ng isang malinis na audio feed mula sa desk, isang link na bubuksan ng audience sa sarili nilang phone, at paraan para itama ang maling narinig na pangalan habang tuloy pa ang talk.
Ang talk, serbisyo, lektyur, o pulong ng konseho ay may iisang taong nagsasalita at isang audience na hindi lahat ay nag-iisip sa wikang iyon. Mahal, hindi kumpleto, o pribado ang mga karaniwang sagot.
Ang mahal na sagot ay isang interpreter para sa bawat wika. Kahit isa bawat wika, kailangan pa rin ng booth, mga receiver, at isang espesyalista para sa bawat wika sa kuwarto, at hindi pare-pareho ang sinasabi ng mga espesyalista. Bawat interpreter ay gumagawa ng sariling pagpili sa ilalim ng time pressure: aling salita ang gagamitin para sa isang termino, ano ang paiikliin, at ano ang lalaktawan kapag bumilis ang nagsasalita. Sa karaniwang talk, halos hindi mahalaga ang pagkakaiba. Sa legal na pagdinig, botohan ng konseho, o technical briefing, mahalaga ito: ang isang defined term, dosage, o clause ay maaaring umabot sa mga nakikinig na Pranses na may isang kahulugan at sa mga nakikinig na Arabic na may ibang kahulugan, at walang tao sa kuwarto ang makakapansin nito. Ang bahagyang sagot ay isang subtitle feed sa iisang screen, sa isang pangalawang wika lamang. Ang pribadong sagot naman ay limampung phone na itinataas sa kuwarto: limampung bahagyang maling transcript, na ang bawat phone ay naririnig ang echo at ubo nang kasing-linaw ng nagsasalita.
Ang alternatibo ay i-transcribe ang nagsasalita nang isang beses, mula sa malinis na pinagmulan, at isalin ang iisang transcript na iyon sa anumang wikang kailangan ng audience, para magsimula ang bawat wika sa parehong mga salita, at hayaang pumili ang bawat listener sa sarili nilang device. Itinatago ang recording pagkatapos ng event. Narito kung paano i-set up ito ng host at ng listener, at kung ano ang gastos nito.
Maaaring makinig ang live na transcription sa mikropono ng kahit anong device, sa RTMP feed mula sa OBS o sa anumang ibang encoder na tumatanggap ng server URL at stream key, sa YouTube live, sa internet radio station, o sa anumang URL na naghahatid ng stream. Para sa stream, kinukuha mismo ng VocalStack ang audio; walang tumatakbo sa panig mo.
Mas mahalaga ang pinagmulan kaysa sa anumang setting. Ang room microphone, o phone na nakapatong sa mesa, ay naririnig ang nagsasalita kasama ang kuwarto: ang reverberation mula sa mga dingding, upuan, at audience. Lumalala nang husto ang speech recognition kapag humihina ang boses kumpara sa ingay na iyon, kaya nagkakaiba-iba ang limampung phone. Ang feed mula sa mixing desk ay may mikropono ng nagsasalita mismo na kaunti lang ang kuwarto, kaya ang transcript ay sumusunod sa nagsasalita, hindi sa kuwarto. Kung may desk ang venue, kunin ang feed mula roon.
Awtomatikong natutukoy ang sinasalitang wika, at maaaring magpalit ang nagsasalita anumang oras; ang pagbanggit nito nang maaga ay nakakatulong sa maingay na recording at mabibigat na accent. Maaaring naka-off, naka-on, o When Needed ang mga speaker label, na bubuksan kapag may narinig na pangalawang nagsasalita. Kapag may pumapasok nang audio, kailangan ng audience ng lugar na mahahanapan nito.
Ang broadcast ay ang link: isang address at QR code na ini-scan ng mga listener para buksan ang live na pagsasalin at piliin ang wika nila. Ginagawa ang link mula sa pangalang ibinigay mo sa broadcast. Kapag pinalitan mo ito ng pangalan pagkatapos, patuloy na gumagana ang lumang link, kaya hindi nagiging lipas ang QR code na nakaimprenta sa programa.
Public ang broadcast bilang default: sinumang may link ay mabubuksan ito. Gawin itong private at maglagay ng password, at hihingin ito sa mga listener bago lumitaw ang transcript.
Puwedeng pakainin ng ilang live na transcription ang iisang broadcast, kaya iisa pa rin ang link ng conference na may dalawang stage. Ang link ang nagdadala ng tao papasok; ang pagtiyak na tama ang mga pangalan ang nagpapanatili sa kanila roon.
Sinasanay ang mga speech recogniser sa karaniwang paraan ng pagsasalita ng mga tao, kaya kapag malabo ang tunog, kinukuha nila ang karaniwang salita. Ang pangalan ng produkto, apelyido, nayon, o kemikal: bawat isa ay may kahawig-tunog na mas karaniwang salita, at iyon ang lumalabas maliban kung sabihan ang recogniser na paparating ang bihirang salita. Para doon ang script. Magdagdag ng script o slides bago ka magsimula, at mananalo ang mga pangalan at termino roon kaysa sa maling narinig. Doon kadalasang bumabagsak ang recognition sa espesyalistang talk. Habang nagre-record, sinusundan ng Script tab ang teleprompter, itinatampok ang mga salitang nasabi na.
Iyon lang ang buong setup. Sa kabilang panig ng link, mas kaunti pa ang kailangang gawin.
Kailangan ng listener ng link o QR code, at ng phone. Binubuksan nila ang link sa browser at makikita ang The broadcast hasn't started yet hanggang pindutin ng host ang record, at pagkatapos ay Live. The first line appears in a moment. Pipiliin nila ang isa sa mga wikang pinili ng host (hanggang 10 bawat transcription, mula sa 100 na available) at babasahin ang transcript habang nagsasalita ang nagsasalita. Patuloy na nagsasalita ang host sa sarili nilang wika. Puwedeng magpalit ng wika ang listener anumang oras; ipapakitang muli ang transcript hanggang sa puntong iyon sa bagong wika.
Kung mas gusto ng listener na makinig, binabasa nang malakas ang bawat isinaling linya. Bilang default, may sariling stock na boses ang bawat nagsasalita na tumutugma sa kasarian, kaya mukha pa ring panel ang panel.
Nagaganap ang tatlong yugto nang sunod-sunod, at naghihintay ang bawat isa sa nauna. Kailangan ng recognition ng sandaling pagsasalita bago nito makumpirma ang mga salita, kaya nahuhuli ang transcript sa nagsasalita ng ilang bahagi ng segundo. Kailangan ng translation ang buong parirala, dahil magkakaiba ang ayos ng salita sa bawat wika at ang dulo ng pangungusap ay maaaring magbago sa simula nito, kaya sumusunod ito makalipas ang isa o dalawang segundo. Kailangan ng speech ang naisaling pangungusap bago ito makapagsimula, kaya huli ang binibigkas na linya. Hindi ito kapintasang dapat ayusin; ito ang hinihingi ng anumang sistemang gumagawa ng tatlong bagay na ito, kasama ang taong interpreter, na naghihintay rin sa pandiwa.
Kung may pahintulot ng nagsasalita, puwedeng i-clone ng host ang boses ng nagsasalita mula sa tatlumpung segundo ng pagsasalita ng taong iyon mag-isa (MP3, M4A, o WAV; mas mainam ang ilang minuto). Ang pagsasalin ay binabasa pagkatapos sa boses ng nagsasalita sa bawat wika. Ituring na biometric data ang boses na ito. Sa ilalim ng GDPR, ang voice data na pinoproseso para makilala ang tao ay kadalasang nasa special categories ng Article 9, at may ilang estado sa US, kasama ang Illinois, na hiwalay na nagre-regulate ng voiceprints. Kunin ang tahasang pahintulot ng nagsasalita bago ma-record ang sample, hindi pagkatapos; maaaring burahin ang boses anumang oras. Ang pag-clone ay nagre-enrol din sa nagsasalita, kaya lalagyan sila ng label ayon sa pangalan sa mga susunod na recording. Maaaring magtalaga ng boses ang host sa bawat nagsasalita, o i-mute ang isa.
Ang listener na huling dumating ay makikita ang lahat ng sinabi bago sila pumasok, at pagkatapos ay susunod sa live. Kung maputol ang koneksyon, kusang aabutan ng page ang nangyari pagbalik ng koneksyon. Kapag nag-pause ang host, makikita ng mga listener ang Paused. The transcript continues when the host resumes. Kapag tumigil ang host, ipapakita ng page ang petsa at haba ng recording, at nakalista sa broadcast ang mga nakaraang recording nito para sa replay.
Ang nababasa lamang ng listener ay ang narinig ng engine, at may mga bahaging mali ang live na recognition.
Mayroong Fix tab ang screen ng host para doon mismo. Kinukulayan at inuunderline ng Mark uncertain words ang mga salitang hindi sigurado ang engine; binubuksan ng Click to correct ang isang linya para suriin. Isa-isang dinadaanan ng tab ang mga hindi tiyak na bahagi, kaya makakapagtrabaho ang pangalawang tao sa desk habang tuloy ang pagsasalita ng nagsasalita.
Kapag muling isinulat ng host ang isang salita o linya, kahit iyong sinasalita pa lang, makikita ng bawat listener ang pagwawasto. Ang linyang masyadong mababa ang confidence ay itinatago sa listener bilang Audio unclear sa halip na ipakitang mali; nakikita pa rin ng host ang bawat salita. Ang blangko ay kilalang puwang; ang tiyak pero maling salita ay tsismis.
Hindi nawawala ang mga pagwawastong iyon kapag natapos ang talk.
Lahat ay naitatabi. Ang recording, ang transcript nito kasama ang mga pagwawasto at pagsasalin, at ang audio ay napupunta sa library ng host. Ipinapatugtog ng replay ang lahat nang eksakto gaya ng pagdating nito, linya-linya, kasama ang audio. Kapag tapos na ang mga salita, isinusulat ang pamagat at buod sa bawat wika, at dinadala ng mga tab na Summary at Export ng host screen ang mga ito diretso palabas ng event.
Ang mga export ay SRT subtitles, PDF, Excel, o JSON, kasama ang mga pagwawasto at pagsasalin, at ang audio ay i-download bilang MP3. Maaaring hanapin ang bawat transcript sa anumang wika.
Ipinapakita ng Audience view kung sino ang nakinig, sa aling wika, at kailan sila sumali: kadalasan ito ang unang tunay na bilang na nakukuha ng organizer kung sino ang nangangailangan ng aling wika. Hanggang doon, ang karaniwang pagtantiya ay kung sino ang nagtaas ng kamay nang tanungin, sa Ingles, kung kailangan nila ng pagsasalin. Binubura ang mga identifier ng listener kasabay ng recording.
Ang speech recognition, speaker recognition, at voice synthesis ay tumatakbo sa mga server na pinapatakbo namin, at hindi ipinapadala ang iyong audio sa anumang third party para iproseso. Hindi namin ginagamit ang iyong audio, transcript, o boses para sanayin ang mga model.
Nakadepende sa plan ang tagal ng pagtatago: sa Pay as you go, itinatago ang source audio at mga boses nang 7 araw, at ang mga transcription nang 30 araw; iniingatan ito ng Premium at Enterprise habang nananatili ang account. Ang isa pang bagay na tinutukoy ng plan ay ang bill.
Dalawang numero ang mahalaga. Sa Pay as you go at Premium, ang live na transcription ay $0.60 bawat oras ng audio, sinisingil bawat segundo na may 5-minutong minimum bawat transcription, sa Dashboard man o sa pamamagitan ng API; may volume rates ang Enterprise. Libre ang mga listener at wika: ang isang oras na event na binabasa sa limang wika ng dalawandaang tao ay nagkakahalaga ng $0.60. Mas mura ang mga file ($0.20 bawat oras) dahil tumatakbo nang real time ang live na transcription sa buong event. Nagkakaiba ang mga plan sa concurrency, pinakamahabang haba ng recording, at bilis ng pagsisimula; sa Pay as you go, puwedeng abutin ng 15 segundo ang cold start, kaya pindutin ang record nang kaunti bago magsalita ang nagsasalita, mga isang "Naririnig ba ako ng lahat sa likod?" na mas maaga. Nasa pricing page ang buong talahanayan.
May two-phone demo ang home page, at may kasamang $5 na signup credit ang bagong account sa Dashboard na hindi nangangailangan ng card. Sa live na rate, sasakupin ng credit na iyon ang mahigit walong oras ng broadcasting.
Pinag-iisipan mo ba kung ito o ang live translation na nakabuilt-in sa phone ng lahat? Basahin ang bakit hindi sapat ang phone para sa isang kuwarto. Para sa buong event, sakop ng multilingual conference checklist ang audio path, ang maraming stage sa iisang link, at ang budget. Magagawa ng mga developer ang lahat ng ito mula sa code sa pamamagitan ng API reference, sa parehong rate.
