Real-time transcription at translation: paano gumagana ang live speech to text, gaano ito nahuhuli, ano ang nakaaapekto sa katumpakan, at magkano ang gastos.
Ginagawang text ng real-time transcription ang pagsasalita habang nagsasalita pa ang tao. Lumalabas sa screen ang mga salita ilang sandali matapos bigkasin, nagiging pinal na mga linya, at mababasa ng sinumang sumusunod. Idagdag ang real-time translation at masusundan ng bawat nagbabasa ang parehong talumpati sa sarili nilang wika, bilang text o binabasa nang malakas.
Sinasaklaw ng gabay na ito ang real-time transcription at translation mula sa dalawang panig: ang nakikita ng listener, kung saan maaaring manggaling ang audio, ang nagpapasya sa katumpakan, ang nakukuha ng mga developer mula sa API, at ang gastos.
Ang real-time transcription, tinatawag ding live transcription o live speech to text, ay speech recognition na tumatakbo habang dumarating pa ang audio. Ang naka-record na file ay maaaring i-transcribe habang hawak ang buong recording. Ang live na transcription ay kailangang magpasya sa mga salita na ang tanging batayan ay ang huling ilang segundo, at makasabay sa nagsasalita hangga't nagsasalita siya.
Ang live captions ay iyon ding bagay, ipinapakita bilang maiikling linya sa ibabaw ng video o sa screen.
Sa VocalStack, maaaring makinig ang live na transcription sa 100 wika. Kusa nitong tinutukoy ang binibigkas na wika at sinusundan ang nagsasalita kung magpalit siya, na ipinaliliwanag ng paano gumagana ang awtomatikong pagtukoy ng wika, kasama kung kailan dapat pangalanan ang wika nang maaga.
Dalawang yugto ang pagdating ng text. Unang lumalabas bilang draft ang pinakabagong mga salita, na maaari pang magbago habang dumarating ang mas maraming audio. Pagkalipas ng sandali, nagiging pinal na linya ang draft na hindi na nagbabago.
May draft dahil bahagyang ipinapasya ng recognizer ang isang salita batay sa kasunod nito. Magkatunog ang "ice cream" at "I scream" hanggang dumating ang susunod na salita. Ang maagang pagpapakita ng hula ang nagpaparamdam na live ang transcript.
Nakadepende sa yugto kung gaano kalayo ang text sa nagsasalita:
Dalawang delay ang nasa labas ng kadenang iyon. Kapag ang pinagmulan ay pampublikong stream sa halip na mikropono, nahuhuli na ang stream mismo sa live edge nito: isa o tatlong segundo para sa karaniwang internet radio stream, at mula sa ilang segundo hanggang kalahating minuto para sa HLS. At sa Pay as you go, ang live na transcription ay maaaring abutin ng hanggang 15 segundo bago magsimula. Nasa live translation latency, ipinaliwanag ang buong detalye, kasama ang mga latency mode na Auto, Fast at Accuracy.
Tumatakbo ang translation sa ibabaw ng transcript. Ang live na transcription ay maaaring isalin sa hanggang 10 wika nang sabay, pinili mula sa 100. Pumipili ang bawat listener ng isa sa mga iyon sa sarili nilang device at maaaring magpalit anumang oras; ipinapakitang muli ang transcript hanggang sa sandaling iyon sa bagong wika.
Isinasalin ang bawat wika mula sa iisang transcript, kaya iisang mga salita ang nakukuha ng bawat listener, at umaabot sa lahat ang isang pagtatama.
Ang listener na mas gustong makinig kaysa magbasa ay maaaring ipabasa nang malakas ang bawat isinaling linya. Bilang default, nakakakuha ang bawat nagsasalita ng natatanging stock na boses na tugma sa kasarian niya, kaya ang panel ay tunog pa ring ilang tao. Sa pahintulot ng isang nagsasalita, maaaring i-clone ng host ang boses niya mula sa humigit-kumulang 30 segundo ng pagsasalita niyang mag-isa, at babasahin na ang salin gamit ang sarili niyang boses.
Sadyang makitid ang patakaran para sa mga boses. Binabasa lang ng boses ang sinabi ng parehong taong iyon, isinalin sa wikang pinili ng listener. Hindi nito kailanman binabasa ang text na tina-type ng ibang tao, at hindi nito kailanman binabasa ang mga salita ng isang nagsasalita gamit ang boses ng iba.
Nasa isang link, bawat wika kung paano ito gumagana para sa buong silid, mula sa setup ng host hanggang sa listener na huli nang dumating.
Kailangan ng live na transcription ng audio source. Ito ang mga tinatanggap ng VocalStack ngayon:
Ang captions sa loob ng sariling player ng YouTube, sa pamamagitan ng CC button nito, ay paparating na. Hanggang noon, sinusundan ng mga manonood ng YouTube stream ang captions sa broadcast link.
Kung kailangan mo ng live transcription sa Windows ngayon, gumagana roon ang Chrome o Edge extension, ang OBS plugin at ang Dashboard sa browser.
Ang broadcast ang paraan para masundan ng ibang tao ang live na transcription. Isa itong link at isang QR code. Binubuksan ito ng mga listener sa browser, pumipili ng wika at nagbabasa nang sabay. Hindi nila kailangan ng account at wala silang ini-install, at wala silang gastos: hindi nagbabago ang bill sa dami ng listener o wika.
Pampubliko ang broadcast bilang default at maaaring protektahan ng password. Kung papalitan mo ang pangalan ng link nito, patuloy na gumagana ang luma, kaya hindi luma ang QR code na naka-print sa programa. Maaaring magdala ang isang broadcast ng ilang live na transcription, kaya maaaring magbahagi ng isang link ang dalawang entablado.
Ang listener na huli nang dumating ay nakikita ang lahat ng nasabi bago siya pumasok, saka sumusunod nang live. Pagkatapos, ipinapakita ng Audience view kung sino ang nakinig, sa anong wika, at kailan sila sumali.
Para sa mga event, sinasaklaw ng multilingual conference checklist ang audio, mga entablado at budget, at sinasaklaw ng live transcription para sa simbahan, lecture hall at council chamber ang lingguhang bersyon ng parehong setup.
Magagawa ang lahat ng nasa itaas mula sa code. Para sa live na audio sa sarili mong app, may realtime sessions ang API: isang tawag lang ang gagawin ng server mo sa POST /v1/realtime/sessions gamit ang API key at makakakuha ng panandaliang streamUrl. Magbubukas ng WebSocket ang client mo papunta rito, magpapadala ng raw audio habang kinukuha ito, at babasahin pabalik ang transcript bilang mga JSON frame.
Sinusundan ng mga frame ang parehong dalawang yugto na nakikita ng nagbabasa. Pinapalitan ng transcript.draft ang live na dulo, nagdaragdag ng pinal na linya ang transcript.committed, at kapag naka-on ang translation, dumarating ang buong pangungusap na may kalakip na salin. Maaaring baguhin sa kalagitnaan ng session ang mga target na wika, speaker labels at latency mode gamit ang session.update.
Walang itinatago ang realtime session. Kapag gusto mong itago, itama at ibahagi sa audience ang mga salita, ilathala mo ang audio sa live na transcription at broadcast sa halip. Sinasaklaw ng mga opisyal na SDK para sa TypeScript, Python at PHP ang dalawa, at pinapayagan ng MCP server ang isang AI assistant na gamitin ang parehong account.
Binubuo ng WebSocket tutorial ang gumaganang caption view nang hakbang-hakbang, at nasa API reference ang bawat field. Sinisingil sa parehong rate ng Dashboard ang paggamit ng API.
Ang audio na ibinibigay sa recognizer ang pangunahing nagpapasya sa katumpakan, bago pa ito tumakbo. Apat na bagay ang pinakamalaki ang epekto.
Ang mikropono. Ang mikroponong malapit sa nagsasalita, o feed mula sa mixing desk ng venue, ay nagdadala ng boses na may kaunting silid. Ang phone sa mesa ay naririnig ang nagsasalita kasama ang alingawngaw, mga upuan at ubo. Ito ang pinakamalaking solong salik, at ipinaliliwanag ng bakit hindi sapat ang phone para sa isang silid kung bakit.
Ingay at pagsasapaw. Nagdudulot ng nawawala at inimbentong mga salita ang ingay sa background, at ang dalawang taong sabay na nagsasalita ay nakalilito sa mga salita at kung sino ang nagsabi. Inililista ng Mga pagkakamali sa audio transcription ang pitong karaniwang sanhi, kung ano ang hitsura ng bawat isa at paano ito aayusin.
Reference Script. Nakikilala nang ganoon na lang ang mga kilalang pangalan at termino. Hindi malalaman nang maaga ang mga pangalan ng produkto ng isang kumpanya, panloob na akronim o di-karaniwang apelyido ng bisita, kaya magdagdag ng script o mga slide bago magsimula, at isusulat nang eksakto ayon sa baybay mo ang mga pangalan at termino roon.
Speaker labels. Maaaring Off, On, o When Needed ang labels, na bubuksan ang mga ito kapag may narinig na pangalawang nagsasalita. Ipinaliliwanag ng Speaker diarization vs speech recognition kung paano magkahiwalay ang dalawang sagot, kung ano ang sinabi at kung sino ang nagsabi, at hiwalay ding inaayos.
Mahalaga rin ang latency mode: mas maagang naglalabas ng text ang Fast pero mas marami itong nire-revise, at mas matagal nang kaunti ang hinihintay ng Accuracy.
Mas kaunti ang sinasabi ng iisang bilang ng katumpakan kaysa sa inaakala. Pare-pareho ang bilang ng word error rate sa maling pangalan at sa nalaktawang "the", kaya ipinagtatanggol ng ano ang sinusukat ng word error rate, at ano ang hindi nito nakikita ang paghusga sa isang sistema batay sa kung aling mga error ang hinahayaan nitong mahuli at maitama mo.
Walang perpektong live na transcript, kaya may Fix tab ang host screen. Maaari nitong markahan ang mga salitang hindi tiyak ang recognizer, at maaaring buksan at itama ang anumang linya. Maaaring ayusin ng pangalawang tao sa desk ang mga ito habang nagpapatuloy ang nagsasalita.
Kapag isinulat muli ng host ang isang salita o linya, kahit ang binibigkas pa lang, nakikita ng bawat listener ang pagtatama, sa bawat wika. Ang linyang narinig nang may masyadong mababang kumpiyansa ay itinatago sa mga listener bilang "Audio unclear" sa halip na ipakitang mali; nakikita pa rin ito ng host.
Itinatago ang recording kasama ang transcript, mga pagtatama at salin nito. Pagkatapos, maaari mong:
Nakadepende sa plan kung gaano katagal itinatago ang audio at mga transcript, at nakalista ito sa pricing page.
Magkakamukha ang karamihan ng live transcription tool sa demo; lumalabas ang mga pagkakaiba sa mga tanong sa ibaba. Inilalarawan ng kanang hanay ang VocalStack ayon sa kung ano ito ngayon.
| Tanong | Bakit mahalaga | VocalStack |
|---|---|---|
| Anong mga wika ang naririnig nito? | Walang maitutulong ang tool na hindi makapag-transcribe ng wika ng nagsasalita, gaano man kaganda ang translation nito. | 100 wika, awtomatikong natutukoy, may paglipat sa gitna ng talumpati |
| Gaano nahuhuli ang text sa nagsasalita? | Mas napapansin ng mga nagbabasa ang lumalaking agwat kaysa sa paminsan-minsang maling salita. | Orihinal na text na bahagi ng isang segundo ang huli, translation isa o dalawang segundo pagkatapos; tatlong latency mode |
| Nagsasalin ba ito, at sino ang pumipili ng wika? | Ang isang wika ng subtitle sa isang screen ay nag-iiwan sa lahat ng iba. | Hanggang 10 wika kada transcription, pumipili ang bawat listener ng sa kanya |
| Mababasa ba nito nang malakas ang salin? | May mga listener na hindi makabasa nang sabay, o mas gustong hindi magbasa. | Stock na boses bilang default; sariling cloned na boses ng nagsasalita sa pahintulot niya |
| Paano ito nakukuha ng audience? | Nawawalan ng tao sa pintuan ang mga app at account. | Isang link at QR code, walang account, opsyonal na password |
| Maitatama ba ang mga mali nang live? | Totoong pinsala ang maling narinig na pangalang inuulit sa loob ng isang oras. | Mga live na pagtatama na ipinapadala sa bawat listener |
| Saan maaaring manggaling ang audio? | Hindi dapat magbago ang setup mo para umangkop sa tool. | Mikropono, browser extension, desktop app, OBS, RTMP, mga link ng stream |
| May API ba? | Maaaring gusto mo ng captions sa loob ng sarili mong produkto. | REST at WebSocket API, mga SDK, MCP server, parehong rate ng Dashboard |
| Paano ang presyo? | Lumalaki kasabay ng audience mo ang presyong kada listener o kada seat. | Kada segundo ng audio; libre ang mga listener at wika |
Sa VocalStack, nagbabayad ka kada segundo ng na-transcribe na audio. Sa panahong isinusulat ito, ang live transcription ay $0.60 kada oras at ang mga file ay $0.20 kada oras, sa bawat plan, sa Dashboard at sa API. Hindi kailanman nagdaragdag sa bill ang translation, mga boses, buod, broadcast at mga listener, kaya ang isang oras na talumpating binasa ng 200 tao sa limang wika ay parehong $0.60 ang gastos sa binasa ng walang tao.
Nagkakaiba ang mga plan sa ilang bagay:
Kung walang kailangang magbasa habang nangyayari ito, i-upload ang recording pagkatapos sa file rate. Nasa pricing page ang kasalukuyang mga presyo, retention at limitasyon ng bawat plan.
Ang bagong VocalStack account ay may kasamang $5 na signup credit at hindi nangangailangan ng card. Sa $0.60 kada oras, humigit-kumulang walong oras ito ng live transcription, kasama ang translation at broadcasting. Pagkatapos, nagbabayad ka kada segundo. Laging libre ang mga listener.
Oo. Maaaring isalin ang live na transcription sa hanggang 10 wika nang sabay habang nagsasalita ang tao. Lumalabas ang translation isa o dalawang segundo pagkatapos ng orihinal na text, at pumipili ang bawat listener ng sarili niyang wika.
Nakadepende ito pangunahin sa audio. Ang malapit na mikropono o feed mula sa desk, kaunting ingay sa background, isang taong nagsasalita sa bawat pagkakataon at Reference Script na may mga pangalan ang nagbibigay ng pinakamahusay na resulta. Pinapayagan ng mga live na pagtatama ang host na ayusin ang mali pa rin habang nagpapatuloy ang talumpati.
Nahuhuli ang text sa orihinal na wika sa nagsasalita nang bahagi ng isang segundo, at sumusunod ang mga translation isa o dalawang segundo pagkatapos. Nagdaragdag ng sarili nitong delay ang pampublikong stream bago umabot sa VocalStack ang audio.
Oo, sa pamamagitan ng Chrome o Edge extension, OBS Studio plugin, o Dashboard sa browser. Nasa macOS ngayon ang desktop app, at paparating na ang Windows.
Hindi. Binubuksan ng mga listener ang broadcast link o ini-scan ang QR code nito sa browser, pumipili ng wika at nagbabasa. Walang ii-install.
Buksan ang Dashboard, magsimula ng live na transcription mula sa mikropono mo at buksan ang broadcast link nito sa phone mo. Sasaklawin ng signup credit ang unang mga oras mo, at makikita mo mismo ang pag-ayos ng mga draft at ang pagsunod ng translation.