Gerçek zamanlı transkripsiyon ve çeviri: canlı konuşmadan metne nasıl çalışır, ne kadar geriden gelir, doğruluğu ne belirler ve ne kadar tutar.
Gerçek zamanlı transkripsiyon, kişi hâlâ konuşurken konuşmayı metne çevirir. Sözcükler söylendikten birkaç an sonra ekranda belirir, nihai satırlara oturur ve takip eden herkes tarafından okunabilir. Gerçek zamanlı çeviriyi ekleyin; her okuyucu aynı konuşmayı kendi dilinde, metin olarak ya da sesli okunmuş biçimde izleyebilir.
Bu rehber gerçek zamanlı transkripsiyon ve çeviriyi iki yönden ele alır: bir dinleyicinin ne gördüğü, sesin nereden gelebileceği, doğruluğu neyin belirlediği, geliştiricilerin bir API'den ne aldığı ve maliyeti.
Canlı transkripsiyon ya da canlı konuşmadan metne de denen gerçek zamanlı transkripsiyon, ses hâlâ gelirken çalışan konuşma tanımadır. Kaydedilmiş bir dosya, kaydın tamamı elde olarak transkribe edilebilir. Canlı bir transkripsiyon ise sözcüklere yalnızca son birkaç saniyeye bakarak karar vermek ve konuşmacı konuştuğu sürece ona ayak uydurmak zorundadır.
Canlı altyazılar aynı şeydir; bir videonun üstünde ya da bir ekranda kısa satırlar olarak gösterilir.
VocalStack'te canlı bir transkripsiyon 100 dilde dinleyebilir. Konuşulan dili kendiliğinden algılar ve konuşmacı dil değiştirirse onu izler; bunu, dili önceden ne zaman söylemeniz gerektiğiyle birlikte otomatik dil algılama nasıl çalışır açıklar.
Metin iki aşamada gelir. En yeni sözcükler önce, daha fazla ses geldikçe hâlâ değişebilen bir taslak olarak belirir. Bir an sonra taslak, bir daha değişmeyen nihai bir satıra oturur.
Taslak vardır, çünkü bir tanıyıcı bir sözcüğü kısmen onu neyin izlediğine bakarak kararlaştırır. "Ice cream" ile "I scream" sonraki sözcük gelene kadar aynı duyulur. Tahmini erkenden göstermek, bir transkriptin canlı hissettirmesini sağlar.
Metnin konuşmacının ne kadar gerisinden geldiği aşamaya bağlıdır:
İki gecikme bu zincirin dışında kalır. Kaynak bir mikrofon değil de herkese açık bir yayın olduğunda yayının kendisi canlı kenarının zaten gerisindedir: düz bir internet radyosu yayını için bir ila üç saniye, HLS için birkaç saniyeden yarım dakikaya kadar. Ve Kullandıkça Öde'de bir canlı transkripsiyonun başlaması 15 saniyeye kadar sürebilir. Auto, Fast ve Accuracy gecikme modları dahil tam döküm canlı çeviri gecikmesi, açıklamalı yazısındadır.
Çeviri transkriptin üstünde çalışır. Canlı bir transkripsiyon, 100 dil arasından seçilen 10 dile aynı anda çevrilebilir. Her dinleyici bunlardan birini kendi cihazında seçer ve istediği zaman değiştirebilir; o ana kadarki transkript yeni dilde yeniden gösterilir.
Her dil aynı transkriptten çevrilir; böylece her dinleyici aynı sözcükleri alır ve bir düzeltme hepsine ulaşır.
Okumak yerine dinlemeyi tercih eden bir dinleyici, çevrilen her satırı sesli okutabilir. Varsayılan olarak her konuşmacı, cinsiyetine uyan ayrı bir hazır ses alır; böylece bir panel hâlâ birkaç kişi gibi duyulur. Bir konuşmacının onayıyla ev sahibi, o konuşmacının sesini tek başına konuştuğu yaklaşık 30 saniyeden klonlayabilir ve çeviri sonra onun kendi sesiyle okunur.
Seslerin kuralı bilerek dardır. Bir ses yalnızca aynı kişinin söylediğini, dinleyicinin seçtiği bir dile çevrilmiş olarak okur. Birinin yazdığı metni asla okumaz ve bir konuşmacının sözlerini asla başka bir konuşmacının sesiyle okumaz.
Bunun ev sahibinin kurulumundan geç gelene kadar bütün bir salon için nasıl çalıştığı Tek bağlantı, her dil yazısında anlatılır.
Canlı bir transkripsiyonun bir ses kaynağına ihtiyacı vardır. VocalStack bugün şunları kabul eder:
YouTube'un kendi oynatıcısındaki, CC düğmesi aracılığıyla altyazılar yakında geliyor. O zamana kadar bir YouTube yayınının izleyicileri altyazıları yayın bağlantısında takip eder.
Bugün Windows'ta canlı transkripsiyona ihtiyacınız varsa Chrome ya da Edge uzantısı, OBS eklentisi ve tarayıcıdaki Dashboard orada çalışır.
Yayın, başkalarının canlı bir transkripsiyonu takip etme yoludur. Bir bağlantı ve bir QR koddur. Dinleyiciler onu bir tarayıcıda açar, bir dil seçer ve birlikte okur. Hesap gerektirmezler, hiçbir şey kurmazlar ve maliyet getirmezler: fatura dinleyici ya da dil sayısıyla değişmez.
Yayın varsayılan olarak herkese açıktır ve parolayla korunabilir. Bağlantısını yeniden adlandırırsanız eski bağlantı çalışmaya devam eder; böylece bir programa basılmış QR kod eskimez. Bir yayın birkaç canlı transkripsiyon taşıyabilir, yani iki sahne tek bir bağlantıyı paylaşabilir.
Geç gelen bir dinleyici, girmeden önce söylenen her şeyi görür, sonra canlı takip eder. Sonrasında Audience görünümü kimin dinlediğini, hangi dilde dinlediğini ve ne zaman katıldığını gösterir.
Etkinlikler için çok dilli konferans kontrol listesi sesi, sahneleri ve bütçeyi kapsar, kiliseler, ders salonları ve belediye meclisleri için canlı transkripsiyon ise aynı kurulumun haftalık sürümünü kapsar.
Yukarıdaki her şey koddan yapılabilir. Kendi uygulamanızdaki canlı ses için API'nin gerçek zamanlı oturumları vardır: sunucunuz bir API anahtarıyla POST /v1/realtime/sessions adresine tek bir çağrı yapar ve kısa ömürlü bir streamUrl alır. İstemciniz oraya bir WebSocket açar, ham sesi yakalandıkça gönderir ve transkripti JSON çerçeveleri olarak geri okur.
Çerçeveler, bir okuyucunun gördüğü aynı iki aşamayı izler. Bir transcript.draft canlı kuyruğun yerine geçer, bir transcript.committed nihai bir satır ekler ve çeviri açıkken tüm cümleler çevirileri eklenmiş olarak gelir. Hedef diller, konuşmacı etiketleri ve gecikme modu session.update ile oturum sırasında değiştirilebilir.
Gerçek zamanlı bir oturum hiçbir şey saklamaz. Sözcüklerin saklanmasını, düzeltilmesini ve bir izleyici kitlesiyle paylaşılmasını istediğinizde, sesi bunun yerine bir canlı transkripsiyona ve bir yayına yayımlarsınız. TypeScript, Python ve PHP için resmi SDK'lar ikisini de sarar ve bir MCP sunucusu bir yapay zekâ asistanının aynı hesabı kullanmasına izin verir.
WebSocket eğitimi adım adım çalışan bir altyazı görünümü kurar ve API başvurusu her alanı içerir. API kullanımı Dashboard ile aynı ücretle faturalandırılır.
Doğruluk çoğunlukla herhangi bir tanıyıcı çalışmadan önce, ona verilen sesle belirlenir. En büyük farkı dört şey yaratır.
Mikrofon. Konuşmacıya yakın bir mikrofon ya da mekânın karıştırma masasından gelen bir besleme, içinde odanın az olduğu sesi taşır. Bir masadaki telefon konuşmacıyı artı yankıyı, sandalyeleri ve öksürükleri duyar. Bu en büyük tek etkendir ve bir telefon neden bir salon için yetmez bunun nedenini açıklar.
Gürültü ve örtüşme. Arka plan gürültüsü atlanan ve uydurulan sözcüklere yol açar; aynı anda konuşan iki kişi hem sözcükleri hem de kimin söylediğini karıştırır. Ses transkripsiyon hataları yedi yaygın nedeni, her birinin neye benzediğini ve nasıl düzeltildiğini listeler.
Bir Reference Script. Bilinen isimler ve terimler olduğu gibi tanınır. Bir şirketin ürün adları, bir iç kısaltma ya da bir konuğun alışılmadık soyadı önceden bilinemez; bu yüzden başlamadan önce bir metin ya da slaytlar ekleyin, içindeki isimler ve terimler tam sizin yazdığınız gibi yazılır.
Konuşmacı etiketleri. Etiketler Off, On ya da ikinci bir konuşmacı duyulduğunda açan When Needed olabilir. Konuşmacı diarization'ı ile konuşma tanımanın karşılaştırması, iki yanıtın, yani ne söylendiğinin ve kimin söylediğinin ayrı olduğunu ve ayrı düzeltildiğini açıklar.
Gecikme modu da önemlidir: Fast metni daha erken çıkarır ama daha fazlasını revize eder, Accuracy biraz daha uzun bekler.
Tek bir doğruluk rakamı göründüğünden daha az şey söyler. Sözcük hata oranı yanlış bir ismi atlanan bir "the" ile aynı sayar; bu yüzden sözcük hata oranının neyi ölçtüğü ve neyi kaçırdığı, bir sistemi hangi hataları yakalamanıza ve düzeltmenize izin verdiğine göre değerlendirmeyi savunur.
Hiçbir canlı transkript mükemmel değildir; bu yüzden ev sahibi ekranında bir Fix sekmesi vardır. Tanıyıcının emin olmadığı sözcükleri işaretleyebilir ve herhangi bir satır açılıp düzeltilebilir. Masadaki ikinci bir kişi, konuşmacı devam ederken bunları gözden geçirebilir.
Ev sahibi bir sözcüğü ya da satırı, hâlâ söylenmekte olanı bile, yeniden yazdığında her dinleyici düzeltmeyi her dilde görür. Çok az güvenle duyulan bir satır, yanlış gösterilmek yerine dinleyicilerden "Audio unclear" olarak gizlenir; ev sahibi onu yine görür.
Kayıt, transkripti, düzeltmeleri ve çevirileriyle saklanır. Sonrasında şunları yapabilirsiniz:
Ses ve transkriptlerin ne kadar süre saklandığı plana bağlıdır ve fiyatlandırma sayfası bunu listeler.
Çoğu canlı transkripsiyon aracı bir demoda benzer görünür; farklar aşağıdaki sorularda ortaya çıkar. Sağ sütun VocalStack'i bugün olduğu gibi anlatır.
| Soru | Neden önemli | VocalStack |
|---|---|---|
| Hangi dilleri duyabilir? | Konuşmacının dilini transkribe edemeyen bir araç, çevirisi ne kadar iyi olursa olsun yardımcı olamaz. | 100 dil, otomatik algılanır, konuşma ortasında geçişle |
| Metin konuşmacının ne kadar gerisinde? | Okuyucular ara sıra yanlış bir sözcükten çok büyüyen bir boşluğu fark eder. | Orijinal metin bir saniyenin kesri kadar geride, çeviri bir iki saniye sonra; üç gecikme modu |
| Çeviri yapıyor mu ve dili kim seçiyor? | Bir ekranda tek altyazı dili diğer herkesi dışarıda bırakır. | Transkripsiyon başına 10 dile kadar, her dinleyici kendisininkini seçer |
| Çeviriyi seslendirebilir mi? | Bazı dinleyiciler birlikte okuyamaz ya da okumak istemez. | Varsayılan hazır sesler; onayıyla konuşmacının kendi klonlanmış sesi |
| İzleyici kitlesi nasıl ulaşıyor? | Uygulamalar ve hesaplar insanları kapıda kaybeder. | Bir bağlantı ve QR kod, hesapsız, isteğe bağlı parola |
| Hataları canlı düzeltebilir misiniz? | Bir saat boyunca tekrarlanan yanlış duyulmuş bir isim gerçek zarar verir. | Her dinleyiciye gönderilen canlı düzeltmeler |
| Ses nereden gelebilir? | Kurulumunuzun araca uyması için değişmesi gerekmemeli. | Mikrofon, tarayıcı uzantıları, masaüstü uygulaması, OBS, RTMP, yayın bağlantıları |
| API var mı? | Kendi ürününüzde altyazı isteyebilirsiniz. | REST ve WebSocket API, SDK'lar, MCP sunucusu, Dashboard ile aynı ücret |
| Fiyatlandırma nasıl? | Dinleyici ya da koltuk başına fiyatlandırma izleyici kitlenizle birlikte büyür. | Ses saniyesi başına; dinleyiciler ve diller ücretsiz |
VocalStack'te transkribe edilen sesin saniyesi başına ödersiniz. Yazıldığı sırada canlı transkripsiyon saatte $0.60, dosyalar saatte $0.20'dir; her planda, Dashboard'da ve API üzerinden aynı şekilde. Çeviri, sesler, özetler, yayın ve dinleyiciler faturaya asla eklenmez; bu yüzden beş dilde 200 kişinin okuduğu bir saatlik konuşma, kimsenin okumadığı bir konuşmayla aynı $0.60'a mal olur.
Planlar birkaç noktada farklıdır:
Olan biteni okumaya kimsenin ihtiyacı yoksa kaydı sonradan dosya ücretiyle yükleyin. Her planın güncel fiyatları, saklama süreleri ve sınırları fiyatlandırma sayfasındadır.
Yeni bir VocalStack hesabı $5 kayıt kredisiyle gelir ve kart gerektirmez. Saatte $0.60'tan bu, çeviri ve yayın dahil yaklaşık sekiz saatlik canlı transkripsiyondur. Sonrasında saniye başına ödersiniz. Dinleyiciler her zaman ücretsizdir.
Evet. Canlı bir transkripsiyon, kişi konuşurken aynı anda 10 dile kadar çevrilebilir. Çeviri orijinal metinden bir iki saniye sonra belirir ve her dinleyici kendi dilini seçer.
Çoğunlukla sese bağlıdır. Yakın bir mikrofon ya da masadan bir besleme, az arka plan gürültüsü, bir seferde tek kişinin konuşması ve içinde isimlerin olduğu bir Reference Script en iyi sonuçları verir. Canlı düzeltmeler, konuşma sürerken bir ev sahibinin hâlâ yanlış olanı düzeltmesine izin verir.
Orijinal dildeki metin konuşmacının bir saniyenin kesri kadar gerisindedir ve çeviriler bir iki saniye sonra gelir. Herkese açık bir yayın, ses VocalStack'e ulaşmadan önce kendi gecikmesini ekler.
Evet; Chrome ya da Edge uzantısı, OBS Studio eklentisi veya tarayıcıdaki Dashboard üzerinden. Masaüstü uygulaması bugün macOS'ta, Windows yakında geliyor.
Hayır. Dinleyiciler yayın bağlantısını açar ya da QR kodunu bir tarayıcıda tarar, bir dil seçer ve okur. Kurulacak bir şey yoktur.
Dashboard'u açın, mikrofonunuzdan bir canlı transkripsiyon başlatın ve yayın bağlantısını telefonunuzda açın. Kayıt kredisi ilk saatlerinizi karşılar ve taslakların oturduğunu ve çevirinin onu izlediğini kendiniz görebilirsiniz.