Canlı çevirinin doğruluğu çoğunlukla hiçbir model çalışmadan önce belirlenir: mikrofonun nerede olduğuna göre. Sesi karıştırma masasından alın, on ikinci sıradaki bir koltuktan değil; bir kez çözümleyin ve bir hata, herkes için düzeltilebilecek tek bir satıra dönüşsün.
Telefonlara yerleşik çeviri uygulamaları gerçek bir başarı. Çoğu, cihazın ve pilinin sığabileceği kadar küçük bir konuşma modeli çalıştırıyor (bazıları, bağlantı olduğunda sesi bir sunucuya devrediyor). Kısa, net, günlük cümlelerde işi iyi yapıyorlar: yol sormak, bir menüyü okumak, tezgâh başında bir konuşma.
Bir konuşmacıyı dinleyen kalabalık bir salon ise farklı bir sorun. Gerçek konuşmada en çok bozulan şeyler, küçük bir modelin en kötü yaptığı şeylerle birebir aynı: alışılmadık kelimeler ve isimler, birbirine benzeyen sözcükler ("their" ile "there", "sail" ile "sale"), teknik terimler, aksanlar, herkesin aynı anda konuşması ve arka plan gürültüsü. Bir yelkenli kulübünde "sale" duyan bir model makul bir tahmin yürütmüş, ama emin bir hata yapmıştır.
Küçük modelin daha fazla tahmin yürütmesine iki şey yol açar. Telefona sığması için sıkıştırıldığı için daha az kelime ve daha az söyleniş biçimi bilir; hiç görmediği bir soyadını yalnızca seslerinden yaklaşık olarak tahmin eder. Ayrıca canlı tanıma, cümlenin geri kalanı gelmeden bir kelimeye karar vermek zorundadır; bu yüzden model "sail" ile "sale" arasını çözecek şeyi kullanamaz: ardından gelen kelimeleri ya da konuşmanın neyle ilgili olduğunu söyleyen bir metni. Konuşma tanımada bağlam tam olarak bu iki şeyi kasteder: çevredeki kelimeler ve önceden bilinen şeyler.
Model emin olmadığında tahmin eder. Çeviri o tahmin üzerine kurulur ve onu okuyan kişinin bunu bilmesinin bir yolu yoktur. Salondaki hiç kimse bir satırın yanlış olduğunu göremez, bırakın onu düzeltmeyi. Üstelik salonda bir dinleyici değil, elli dinleyici vardır.
Telefon konuşmacıyı değil, salonu duyar. Sebep mesafedir: bir yaka ya da masa mikrofonu ağzın birkaç santimetre yakınındadır; on ikinci sıradaki bir telefon ise on metre ya da daha uzaktadır ve ona ulaşan sesin çoğu önce duvarlardan, tavandan ve sandalyelerin arkalığından sekmiştir. Yansıyan ses geç ve bulanık gelir. Buna ek olarak telefon, iki sıra gerideki birinin öksürüğünü, komşunun mırıltısını ve hoparlörlerin salonun öbür ucuna giderken sesi nasıl değiştirdiğini de alır. Her koltuk biraz farklı bir kayıt, dolayısıyla biraz farklı bir döküm alır.
Telefon ayrıca yalnızca bir kişi için çevirir. Elli katılımcı elinde elli telefonla gelince aynı konuşmanın elli bağımsız dökümü oluşur ve her birinin hataları da farklıdır. Sonradan notlarını karşılaştıran iki kişi neyin söylendiği konusunda hemfikir olmaz. Konuşmacı ise havaya kaldırılmış telefonlardan oluşan bir duvara konuşur; bu okuması zor bir kalabalıktır.
Salondaki bazı insanlar için bu bir rahatsızlıktan fazlası: konuşmayı takip edip edemeyeceklerini belirler. İşitme güçlüğü çeken bir katılımcı ya da üçüncü bir dilde takip eden biri, elli en iyi çabadan değil, tek bir doğru ve ortak metinden yararlanmalıdır. Bu da konuşmacıyı bir kez, herkes için aynı sonucu verecek biçimde çözümlemek demektir. Tek seferlik çözümleme ancak iyi yapılırsa değer kazanır ve bu da sesin nereden geldiğiyle başlar.
Döküm, yapıldığı sesin kalitesi kadar iyidir. Bu yüzden ilk karar hangi model olduğu değil, modele hangi sinyalin verileceğidir. İkincisi ise başlamadan modele ne söyleneceğidir.
Canlı bir çözümleme sesini, temiz sinyalin zaten bulunduğu yerden alır:
VocalStack bir URL akışını kendisi çeker, yani sizin tarafınızda hiçbir şey çalışmaz. RTMP akışı ise tersine işler: kodlayıcınız onu iter. Konuşmacının dili otomatik algılanır ve dilini istediği zaman değiştirebilir. Dili biliyorsanız ve kayıt gürültülü ya da aksanlıysa, dilini belirtmek doğruluğu artırır.
Temiz ses, salonun yarattığı hataları ortadan kaldırır. Kelime dağarcığından kaynaklanan hatalara ise hiçbir etkisi olmaz; onlar başka türde bir yardım ister.
Telefonun konuşmacının kim olduğundan ya da konuşmanın ne hakkında olduğundan haberi yoktur; bu yüzden bir ürün adı ya da bir soyad, yaklaşık olarak tahmin edilecek bir sesten ibarettir. Bir yayın ise önceden ne bekleneceğini söyleyebilir.
Başlamadan önce bir komut dosyası ya da slaytlar eklerseniz, içlerindeki isimler ve terimler, motorun yanlış duyduğu şeylerin önüne geçer. Kayıt sırasında Script sekmesi konuşmacıyı bir teleprompter gibi izler. Konferansları ve dersleri dolduran konuşma türü için bu, tek başına en büyük doğruluk kazancıdır: genel amaçlı hiçbir modelin yeterince sık duymadığı özel isimler ve terimlerle doludur.
Temiz ses ve bir sözlük hataların çoğunu ortadan kaldırır. Asıl soru, kalan hatalara ne olduğudur.
İyi ses ve bir komut dosyası olsa bile bazı satırlar yanlış çıkacaktır. Fark, bundan sonra ne olduğunda.
Telefonda hiçbir şey olmaz. Yanlış satır kayıp gider ve onun üzerine kurulan çeviri de onunla birlikte gider.
Bir yayında ise, göstermeye değmeyecek kadar belirsiz bir satır dinleyicilerden "Audio unclear" olarak gizlenir; gerçekmiş gibi sunulmaz.
Ardından bir Fix sekmesi olan ev sahibi vardır: motorun emin olmadığı kelimeler renklendirilip altı çizilebilir, bir tıklama satırı incelemeye açar ve herhangi bir kelime ya da satır, transkripsiyon hâlâ canlıyken yeniden yazılabilir. Her dinleyici düzeltmeyi kendi dilinde görür. Her düzeltme işaretlenir ve geri alınabilir.
Mesele, bir sunucunun asla hata yapmadığı değil. Mesele, bir hatanın görünür olması, salondaki birinin sahip çıkması ve herkes için bir kez düzeltilmesi.
Düzeltmeler dinleyicilerin okuduğunu düzeltir. Konuşmayı dinlemeyi tercih eden dinleyiciler de aynı düzeltilmiş metni, seslendirilmiş olarak alır.
Okumak yerine dinlemeyi tercih eden bir dinleyici, çevrilen her satırın yüksek sesle okunmasını isteyebilir. Varsayılan olarak her konuşmacı, cinsiyeti uyan ayrı bir hazır sesle okunur; böylece bir panel hâlâ bir panel gibi duyulur. Her konuşmacıya bir ses atayabilir ya da birini sessize alabilirsiniz.
Konuşmacının izniyle daha ileri gidebilir ve konuşmasının otuz saniyesinden sesini klonlayabilirsiniz; bu bir ses klibi olarak yüklenebilir ya da bir kayıttaki konuşmacıdan doğrudan alınabilir. Birkaç dakika daha iyi sonuç verir. Çeviri, her dilde konuşmacının kendi sesiyle okunur. Kayıtlı sesi olan bir konuşmacı, sonraki kayıtlarda da tanınabilir; ancak sistem, yanlış kişinin adını vermektense konuşmacıyı adsız bırakmayı tercih eder.
İki kural vardır ve bunlar bilinçli olarak konmuştur. Klonlanmış bir ses biyometrik veridir: yalnızca konuşmacının açık onayıyla yapılır ve istendiği zaman silinebilir. Bir ses yalnızca bir dökümü ya da onun çevirisini okur; sahibinin hiç söylemediği bir şeyi söyletilemez.
Bunların hepsi konuşmacı konuşurken olur. Son fark ise konuşmacı durduktan sonra ortaya çıkar.
Elli telefon transkripti, uygulamalar kapandığında buharlaşır. Bir yayın ise kaydı kitaplığınızda tutar: ses ve her düzeltme ile çeviriyi içeren döküm. Kayıt satır satır yeniden oynatılabilir, her dilde aranabilir ve dışa aktarılabilir; kitaplığın neler yaptığını Tek bağlantı, her dil canlı başlıklı makale anlatır. Dinleyiciler, kaç kişi olursa olsun ücretsizdir. Yalnızca çözümlenen ses için ödeme yaparsınız: canlı için saat başına $0.60, her döküm için 5 dakikalık bir asgari süreyle; tarife kartı fiyatlandırma sayfasında.
Telefon, koridordaki bir sohbet için hâlâ iyi bir yedek. Bir salonun tek bir konuşmacıyı birlikte anlaması gerekiyorsa, konuşmacı kaynağından bir kez çözümlenmeli ve neyin yanlış gittiğini düzeltebilecek biri olmalıdır. Bunun nasıl göründüğünü ana sayfadaki etkileşimli demoda görebilirsiniz.
