Halos napagpapasyahan ang katumpakan ng live translation bago pa tumakbo ang anumang model, sa pamamagitan ng kung nasaan ang mikropono. Kunin ang audio mula sa mixing desk, hindi mula sa upuan sa row labindalawa; i-transcribe ito nang isang beses, at ang isang pagkakamali ay magiging isang linya na maaaring ayusin ng lahat.
Ang mga app sa pagsasalin na nakabuilt-in sa mga telepono ay tunay na tagumpay. Madalas silang nagpapatakbo ng speech model na sapat ang liit para magkasya sa device at sa baterya nito (may ilan na ipinapadala ang audio sa server kapag may koneksyon), at para sa maikli, malinaw, pang-araw-araw na pangungusap, nagagawa nila ang trabaho: pagtatanong ng direksyon, pagbasa ng menu, usapan sa counter.
Ibang problema ang isang silid na puno ng taong nakikinig sa iisang nagsasalita. Ang mga bagay na pumapalpak sa totoong pananalita ay eksaktong mga bagay na pinakamahina ng maliit na model: mga bihirang salita at pangalan, mga salitang magkatunog ("their" at "there", "sail" at "sale"), teknikal na termino, accent, mga taong sabay-sabay na nagsasalita, at ingay sa paligid. Sa isang sailing club, ang model na nakarinig ng "sale" ay gumawa ng makatwirang hula at isang tiyak na pagkakamali.
Dalawang bagay ang nagpapahula nang higit sa maliit na model kaysa sa malaki. Pinaliit ito para magkasya sa telepono, kaya mas kaunti ang alam nitong salita at mas kaunting paraan ng pagsasabi ng mga ito; hinuhulaan nito ang apelyidong hindi pa nito nakita batay lamang sa tunog. At kailangang pumili ng live recognition ng salita bago pa dumating ang natitirang pangungusap, kaya hindi magamit ng model ang makapagpapasya sa "sail" laban sa "sale": ang mga susunod na salita, o isang script na nagsasabi kung tungkol saan ang talk. Sa speech recognition, ang konteksto ay eksaktong dalawang bagay na ito: ang mga nakapalibot na salita, at ang alam na nang maaga.
Kapag hindi sigurado ang model, nanghuhula ito. Ang pagsasalin ay nakabatay na sa hulang iyon, at walang paraan ang taong nagbabasa para malaman ito. Walang makakakita sa silid na mali ang isang linya, lalo na't maitama ito. At ang silid ay hindi iisang tagapakinig kundi limampu.
Ang telepono ay nakikinig sa silid, hindi sa nagsasalita. Ang distansya ang dahilan: ang lapel o desk na mikropono ay ilang sentimetro lang ang layo sa bibig, habang ang telepono sa row labindalawa ay sampung metro o higit pa, at karamihan ng naaabot nito ay tumalbog muna sa mga pader, kisame, at likod ng mga upuan. Ang sumasalamin na tunog ay dumarating nang huli at malabo. Bukod pa rito, nahuhuli ng telepono ang ubo ng taong dalawang hanay sa likod, ang bulungan ng katabi, at kung ano ang ginagawa ng mga loudspeaker sa boses habang tumatawid ito sa bulwagan. Bawat upuan ay nakakakuha ng bahagyang magkakaibang recording, kaya bawat upuan ay may bahagyang magkakaibang transcript.
Isinasalin din ng telepono para sa iisang tao lamang. Ang limampung dumalong nakataas ang limampung telepono ay lumilikha ng limampung magkakahiwalay na transcript ng iisang talk, na may limampung magkakaibang set ng pagkakamali. Magkakaiba ang sasabihin ng dalawang taong maghahambing ng kanilang notes pagkatapos; hindi sila magkakasundo sa sinabi. Samantala, ang nagsasalita ay kausap ang pader ng nakataas na telepono, na mahirap basahing audience.
Para sa ilang tao sa silid, higit pa ito sa abala; ito ang nagpapasya kung masusundan nila ang talk. Ang dumalong may kapansanan sa pandinig, o ang sumusunod sa ikatlong wika, ay nangangailangan ng iisang tamang shared na teksto, hindi limampung best effort. Ibig sabihin, i-transcribe ang nagsasalita nang isang beses at bigyan ang lahat ng parehong resulta. Sulit lang ang pag-transcribe nang isang beses kung mahusay ang pagkakagawa, at nagsisimula iyon sa kung saan galing ang audio.
Ang transcript ay kasing-ganda lamang ng audio na pinagmulan nito. Kaya ang unang desisyon ay hindi kung aling model ang gagamitin kundi kung aling signal ang ipapasok dito. Ang pangalawa ay kung ano ang sasabihin sa model bago ito magsimula.
Kinukuha ng live transcription ang audio nito mula sa kung saan naroon na ang malinis na signal:
Sariling hila ng VocalStack ang URL stream, kaya walang kailangang patakbuhin sa panig mo. Ang RTMP feed naman ay baligtad: ang encoder mo ang nagpapadala nito. Awtomatikong natutukoy ang wika ng nagsasalita, at maaari siyang magpalit ng wika anumang oras. Kung alam mo ang wika at maingay o mabigat ang accent ng recording, ang pagbanggit nito ay nagpapabuti sa katumpakan.
Inaalis ng malinis na audio ang mga pagkakamaling dulot ng silid. Wala itong nagagawa para sa mga pagkakamaling dulot ng bokabularyo, at iba ang tulong na kailangan ng mga iyon.
Walang ideya ang telepono kung sino ang nagsasalita o tungkol saan ang talk, kaya ang product name o apelyido ay isa lamang tunog na hinuhulaan. Ang broadcast ay maaaring sabihan nang maaga kung ano ang aasahan.
Kung magdadagdag ka ng script o slides bago magsimula, ang mga pangalan at termino sa mga ito ang mananaig kaysa sa narinig na mali ng engine. Habang nagre-record, sinusundan ng Script tab ang nagsasalita na parang teleprompter. Ito ang pinakamalaking tulong sa katumpakan para sa uri ng pananalitang pumupuno sa mga kumperensya at lektyur: siksik sa mga pangalang pantangi at bokabularyong hindi pa sapat na narinig ng isang pangkalahatang model.
Tinatanggal ng malinis na audio at glossary ang karamihan ng mga pagkakamali. Ang tanong ay kung ano ang mangyayari sa mga pagkakamaling natitira.
Kahit may magandang audio at script, may ilang linyang lalabas na mali. Ang pagkakaiba ay kung ano ang susunod na mangyayari.
Sa telepono, wala. Lumilipas ang maling linya, at kasama nitong nawawala ang pagsasaling nakabatay dito.
Sa broadcast, ang linyang masyadong malabo para ipakita ay itinatago sa mga tagapakinig bilang "Audio unclear" sa halip na ipasa bilang totoo.
Mayroon ding host, na may Fix tab: maaaring kulayan at salungguhitan ang mga salitang hindi sigurado ang engine, binubuksan ang linya para suriin sa pag-click, at maaaring isulat muli ang anumang salita o linya habang tumatakbo pa ang transcription. Nakikita ng bawat tagapakinig ang pagwawasto sa sarili nilang wika. Bawat fix ay may marka at maaaring i-undo.
Ang punto ay hindi na hindi nagkakamali ang server. Ang punto ay nakikita ang pagkakamali, pag-aari ito ng isang tao sa silid, at naaayos ito nang isang beses para sa lahat.
Ang mga pagwawasto ay nag-aayos ng binabasa ng mga tagapakinig. Ang mga tagapakinig na mas gustong pakinggan ang talk ay nakakakuha ng parehong naitamang teksto, binibigkas.
Ang tagapakinig na mas gustong makinig kaysa magbasa ay maaaring ipabasa nang malakas ang bawat isinaling linya. Bilang default, ang bawat nagsasalita ay may natatanging stock na boses na tugma ang kasarian, kaya tunog panel pa rin ang panel. Maaari kang magtakda ng boses sa bawat nagsasalita, o i-mute ang isa.
Kung may pahintulot ng nagsasalita, maaari pang mas lumayo: i-clone ang kanyang boses mula sa tatlumpung segundo ng pananalita niya, alinman bilang na-upload na clip o kinuha mismo mula sa nagsasalita sa isang recording; ang ilang minuto ay nagbibigay ng mas magandang resulta. Ang pagsasalin ay binabasa pagkatapos sa sariling boses ng nagsasalita sa bawat wika. Ang nagsasalitang may naka-save na boses ay maaari ring makilala sa mga susunod na recording, bagaman mas pipiliin ng sistema na iwanang walang pangalan ang nagsasalita kaysa pangalanan ang maling tao.
May dalawang tuntunin dito, at sinadya ang mga ito. Ang cloned na boses ay biometric data: ginagawa lamang ito nang tahasang pagsang-ayon ng nagsasalita at maaaring burahin anumang oras. At ang boses ay sinasalita lamang ang transcript o ang pagsasalin nito; hindi ito maaaring pagsalitain ng bagay na hindi kailanman sinabi ng may-ari nito.
Nangyayari ang lahat ng ito habang nagsasalita ang nagsasalita. Ang huling pagkakaiba ay lumilitaw pagkatapos niyang tumigil.
Naglalaho ang limampung transcript ng telepono kapag nagsara ang mga app. Ang broadcast ay nagtatago ng recording sa iyong library: ang audio, at ang transcript na may bawat pagwawasto at pagsasalin. Doon, maaari itong i-replay linya por linya, hanapin sa anumang wika, at i-export; sakop ng walkthrough sa Isang link, bawat wika ang ginagawa ng library. Libre ang mga tagapakinig, gaano man sila karami. Nagbabayad ka para sa audio na na-transcribe, $0.60 bawat oras para sa live, na may 5-minutong minimum bawat transcription, at nasa pahina ng presyo ang talaan ng presyo.
Maaari pa ring maging mabuting backup ang telepono para sa usapan sa pasilyo. Para sa silid na kailangang maintindihan nang sabay-sabay ang iisang nagsasalita, dapat i-transcribe ang nagsasalita nang isang beses, mula sa pinagmulan, at may taong makakapag-ayos ng maling nangyayari. Makikita mo kung ano ang itsura nito sa interactive demo sa home page.
