Багатомовній залі не потрібна кабіна для кожної мови. Потрібен один чистий аудіосигнал із пульта, одне посилання, яке аудиторія відкриває на власних телефонах, і спосіб виправити почуте неправильно ім’я, поки виступ іде.
Виступ, богослужіння, лекція або засідання ради мають одного мовця й аудиторію, яка не вся думає цією мовою. Звичайні відповіді дорогі, неповні або приватні.
Дорога відповідь — перекладач для кожної мови. Навіть з одним перекладачем на мову це кабіна, комплект приймачів і фахівець для кожної мови в залі, і фахівці не кажуть одного й того самого. Кожен перекладач у поспіху сам обирає, яке слово вжити для терміна, що стиснути і що пропустити, коли мовець прискорюється. На звичайній промові різниця майже не помітна. На судовому засіданні, засіданні ради чи технічному брифінгу вона має значення: визначений термін, дозування чи пункт договору можуть дійти до франкомовних слухачів з одним значенням, а до арабомовних з іншим, і ніхто в залі цього не помітить. Часткова відповідь — це субтитри на одному екрані лише однією другою мовою. Приватна відповідь — п’ятдесят телефонів, піднятих до зали: п’ятдесят трохи неточних транскриптів, де кожен телефон чує луну й кашель так само чітко, як мовця.
Альтернатива — один раз транскрибувати мовця з чистого джерела, перекласти цю одну транскрипцію на будь-яку мову, потрібну аудиторії, щоб усі мови починалися з тих самих слів, а кожен слухач обирав на власному пристрої. Запис зберігається після завершення заходу. Ось як налаштувати це організатору та слухачу і що це коштує.
Жива транскрипція може слухати мікрофон на будь-якому пристрої, RTMP-потік із OBS або будь-якого іншого енкодера, який приймає URL сервера та ключ потоку, пряму трансляцію YouTube, інтернет-радіостанцію або будь-яку адресу, що віддає потік. Для потоку VocalStack сам забирає аудіо; з вашого боку нічого запускати не потрібно.
Джерело важить більше за будь-яке налаштування. Кімнатний мікрофон або телефон на столі чує мовця разом із кімнатою: реверберацію від стін, стільців, аудиторії. Розпізнавання мовлення різко погіршується, коли голос стає тихішим за цей шум, тому ті п’ятдесят телефонів і розходяться між собою. Сигнал із мікшерного пульта несе мікрофон самого мовця з невеликою часткою кімнати, тож транскрипт іде за мовцем, а не за кімнатою. Якщо в залі є пульт, беріть сигнал із нього.
Мова мовлення визначається автоматично, і мовець може змінити її будь-коли; якщо назвати її заздалегідь, це допоможе на шумних записах і за сильного акценту. Мітки мовців можна вимкнути, увімкнути або встановити на When Needed, що вмикає їх, щойно почується другий мовець. Щойно аудіо надходить, аудиторії потрібно десь його знайти.
Трансляція — це посилання: одна адреса та QR-код, який слухачі сканують, щоб відкрити живий переклад і обрати мову. Посилання створюється з назви, яку ви дасте трансляції. Перейменуєте її пізніше — старе посилання продовжить працювати, тож QR-код, надрукований у програмці, не застаріє.
За замовчуванням трансляція публічна: кожен, хто має посилання, може її відкрити. Зробіть її приватною і встановіть пароль — тоді слухачам перед появою транскрипту доведеться його ввести.
Одну трансляцію можуть живити кілька живих транскрипцій, тож конференція з двома сценами має одне спільне посилання. Посилання дає змогу людям зайти; утримує їх те, чи правильно звучать імена.
Системи розпізнавання мовлення навчені на тому, як люди зазвичай говорять, тож коли звук неоднозначний, вони обирають поширене слово. Назва продукту, прізвище, село, хімічна речовина: у кожного є частіший майже однаковий за звучанням варіант, і саме він і з’явиться, якщо розпізнавачу не сказати, що надходить рідке слово. Для цього і потрібен скрипт. Додайте скрипт або слайди до старту, і імена та терміни з них переможуть почуте неправильно. Саме на них розпізнавання зазвичай і провалюється на вузькоспеціалізованих виступах. Під час запису вкладка Script слідує за мовцем, наче телесуфлер, підсвічуючи слова, які вже прозвучали.
На цьому налаштування завершено. По той бік посилання робити ще менше.
Слухачеві потрібні посилання або QR-код і телефон. Він відкриває посилання в браузері й бачить Трансляція ще не почалася, доки організатор не натисне запис, а потім Наживо. Перший рядок з’явиться за мить. Слухач обирає з мов, які вибрав організатор (до 10 на транскрипцію з 100 доступних), і читає транскрипт, поки мовець говорить. Організатор говорить своєю мовою. Слухач може змінити мову будь-коли; транскрипт до цього моменту відобразиться знову вже новою мовою.
Якщо слухач воліє слухати, кожен перекладений рядок озвучується вголос. За замовчуванням кожен мовець отримує окремий стандартний голос відповідної статі, тож панель і далі звучить як панель.
Три етапи відбуваються по черзі, і кожен чекає попереднього. Розпізнаванню потрібен відрізок мовлення, перш ніж воно зможе зафіксувати слова, тож транскрипт відстає від мовця на частку секунди. Переклад потребує цілої фрази, бо порядок слів у мовах різний, а кінець речення може змінити початок, тож він з’являється на секунду-дві пізніше. Озвучення потребує перекладеного речення, щоб початися, тому озвучений рядок іде останнім. Це не вада, яку треба усунути; так має працювати будь-яка система, що виконує ці три дії, зокрема живий перекладач, який теж чекає на дієслово.
За згодою мовця організатор може клонувати його голос за тридцять секунд, у яких мовець говорить сам (MP3, M4A або WAV; краще кілька хвилин). Тоді переклад читається голосом самого мовця всіма мовами. Ставтеся до голосу як до біометричних даних. За GDPR обробка голосових даних для розпізнавання особи, як правило, належить до особливих категорій статті 9, а деякі штати США, зокрема Іллінойс, окремо регулюють голосові відбитки. Отримайте явну згоду мовця до запису зразка, а не після; голос можна видалити будь-коли. Клонування також реєструє мовця в системі, тож у майбутніх записах його позначатимуть на ім’я. Організатор може призначити голос кожному мовцю або вимкнути одного з них.
Слухач, який прийшов пізно, бачить усе, що було сказано до його приходу, а потім іде за живим перебігом. Якщо з’єднання обривається, сторінка сама наздоганяє, щойно зв’язок повертається. Коли організатор ставить паузу, слухачі бачать Пауза. Транскрипт продовжиться, коли організатор відновить трансляцію. Коли організатор зупиняє трансляцію, сторінка показує дату й тривалість запису, а трансляція перелічує минулі записи для повторного перегляду.
Слухач може прочитати лише те, що почув рушій, а живе розпізнавання дещо з цього передає неправильно.
На екрані організатора є вкладка Fix саме для цього. Mark uncertain words забарвлює й підкреслює слова, у яких рушій не був певен; Click to correct відкриває рядок для перегляду. Вкладка проходить невизначені сегменти по одному, тож друга людина за пультом може опрацьовувати їх, поки мовець продовжує.
Коли організатор переписує слово чи рядок, навіть той, що ще звучить, кожен слухач бачить виправлення. Рядок, чия впевненість надто низька, приховується від слухачів як Audio unclear, а не показується неправильно; організатор усе одно бачить кожне слово. Порожнє місце — відома прогалина, а впевнено хибне слово — чутка.
Ці виправлення не зникають, коли виступ завершується.
Усе зберігається. Запис, його транскрипт із виправленнями та перекладами і аудіо потрапляють до бібліотеки організатора. Повтор відтворює запис точно так, як він надійшов, рядок за рядком, разом із аудіо. Щойно слова остаточні, назва і підсумок пишуться кожною мовою, а вкладки Summary та Export на екрані організатора виносять їх із заходу.
Експорти — це субтитри SRT, PDF, Excel або JSON з виправленнями та перекладами, а аудіо завантажується як MP3. Кожен транскрипт можна шукати будь-якою мовою.
Розділ Audience показує, хто слухав, якою мовою і коли приєднався: часто це перший справжній підрахунок, який отримує організатор заходу щодо того, хто якою мовою потребував. Раніше користувалися оцінкою за тим, хто піднімав руку на питання англійською, чи потрібен переклад. Ідентифікатори слухачів видаляються разом із записом.
Розпізнавання мовлення, розпізнавання мовців і синтез голосу працюють на серверах, якими ми керуємо, і ваше аудіо не передається жодній третій стороні для обробки. Ми не використовуємо ваше аудіо, транскрипти чи голоси для навчання моделей.
Строк зберігання залежить від тарифу: на Оплата за використання вихідне аудіо й голоси зберігаються 7 днів, а транскрипції — 30 днів; Premium та Enterprise зберігають їх, доки існує обліковий запис. Другий параметр, який визначає тариф, — це рахунок.
Важливі два числа. На Оплата за використання та Premium жива транскрипція коштує $0.60 за годину аудіо, тарифікується за секундами з мінімумом 5 хвилин на транскрипцію — як у панелі керування, так і через API; Enterprise має обсягові тарифи. Слухачі та мови безкоштовні: одногодинний захід, у якому двісті людей обрали п’ять мов, коштує $0.60. Файли дешевші ($0.20 за годину), бо жива транскрипція працює в реальному часі протягом усього заходу. Тарифи відрізняються кількістю одночасних сесій, максимальною тривалістю запису та швидкістю запуску; на Оплата за використання холодний старт може тривати до 15 секунд, тож натисніть запис трохи раніше за мовця, приблизно за одне «Чи всі в задніх рядах мене чують?». Повна таблиця — на сторінці цін.
На головній сторінці є демо з двома телефонами, а новий обліковий запис у панелі керування отримує кредит $5 за реєстрацію й не потребує картки. За живим тарифом цього кредиту вистачає більш ніж на вісім годин трансляції.
Вагаєтесь між цим і живим перекладом, вбудованим у телефон кожного? Прочитайте чому телефон не замінить переклад для зали. Для повного заходу чек-лист багатомовної конференції охоплює аудіотракт, кілька етапів на одному посиланні та бюджет. Розробники можуть робити все це з коду через довідку API за тим самим тарифом.
