آواز سے متن، آسان

اکثر پوچھے جانے والے سوالات

میرے فون میں لائیو ترجمہ پہلے سے موجود ہے — مجھے VocalStack کی کیا ضرورت ہے؟

فون پر ایک چھوٹا اسپیچ ماڈل چلتا ہے جسے آلے اور بیٹری میں سمانا ہوتا ہے۔ یہ چھوٹے، صاف، روزمرہ کے جملوں کے لیے ٹھیک ہے، لیکن حقیقی تقریر میں جو چیزیں واقعی غلط ہوتی ہیں ان کے لیے نہیں: غیر معمولی الفاظ اور نام، ملتی جلتی آواز والے الفاظ (“their” اور “there”، “sail” اور “sale”)، تکنیکی اصطلاحات، لہجے، ایک دوسرے پر بولتے لوگ اور پس منظر کا شور۔ ماڈل اندازہ لگاتا ہے، ترجمہ اسی اندازے پر بنتا ہے، اور کمرے میں کوئی نہیں دیکھ سکتا کہ یہ غلط تھا۔

VocalStack سرورز پر چلتا ہے، اس لیے ماڈل پورے سائز کے ہیں اور شناخت کے بعد ہر سطر کو سیاق و سباق کے ساتھ جانچا جاتا ہے۔ پہلے اسکرپٹ یا سلائیڈز اپ لوڈ کریں تو ان میں موجود نام اور اصطلاحات غلط سنی گئی باتوں پر فوقیت پاتی ہیں۔ اگر پھر بھی کچھ غلط آئے تو آپ لائیو کے دوران سطر درست کر سکتے ہیں اور ہر سامع درستگی دیکھتا ہے۔

فون کمرے کی آواز سنتا ہے، مقرر کی نہیں، اور وہ ایک ہی شخص کے لیے ترجمہ کرتا ہے، اس لیے پچاس فون پچاس مختلف ٹرانسکرپٹ دیں گے۔ VocalStack آڈیو براہِ راست مکسنگ ڈیسک، اسٹریم یا مائیکروفون سے لیتا ہے، مقرر کی تقریر ایک بار ٹرانسکرائب کرتا ہے، اور سب اپنی زبان میں ایک ہی چیز پڑھتے یا سنتے ہیں۔ ترجمہ مقرر کی اپنی آواز میں بلند آواز سے سنایا جاتا ہے، تاکہ سامعین اسٹیج پر موجود شخص کو سنیں، کسی عام روبوٹ آواز کو نہیں۔

کیا ہر سامع کے حساب سے چارج ہوتا ہے؟ قیمت کا نظام کیسے کام کرتا ہے؟

نہیں۔ سامعین مفت ہیں، خواہ کتنے بھی ہوں اور وہ کسی بھی زبان میں پڑھیں یا سنیں۔ آپ ٹرانسکرائب ہونے والی آڈیو کی ادائیگی کرتے ہیں، سیکنڈ کے حساب سے، ہر ٹرانسکرپشن کے لیے کم از کم 5 منٹ، اور بس یہی پورا بل ہے: 10 زبانوں تک ترجمہ، بولے گئے ترجمے، براڈکاسٹنگ، خلاصے اور ایکسپورٹس شامل ہیں۔

قیمتیں اور پلانز دیکھیں

فائلوں اور لائیو ٹرانسکرپشنز کی شرحیں مختلف ہیں، جو ہر پلان میں یکساں ہیں، اور Premium میں ہر مہینے $50 کا کریڈٹ شامل ہے۔ ہر پلان کے فیچرز یکساں ہیں، اور API کا چارج ڈیش بورڈ جیسا ہی ہے۔

سامعین کو ساتھ پڑھنے کے لیے کیا چاہیے؟

ایک لنک یا QR کوڈ، اور ایک فون۔ کچھ انسٹال نہیں کرنا اور کوئی اکاؤنٹ نہیں بنانا۔ سامع براؤزر میں لنک کھولتا ہے، ایک زبان چنتا ہے، اور بولتے ہی ٹرانسکرپٹ پڑھتا ہے۔ اگر وہ سننا پسند کرے تو ہر ترجمہ شدہ سطر بلند آواز میں بھی سنائی جاتی ہے۔ کسی بھی وقت زبان بدلیں؛ اب تک کا ٹرانسکرپٹ نئی زبان میں دوبارہ پڑھا جاتا ہے۔

دیر سے شامل ہونے والا سامع، آنے سے پہلے کہی گئی ہر بات دیکھتا ہے، پھر لائیو ساتھ دیتا ہے۔ اگر کنکشن ٹوٹ جائے تو واپس آنے پر صفحہ خود بخود تازہ ہو جاتا ہے۔

کیا آڈیو کسی مائیکروفون سے آنا ضروری ہے؟

نہیں۔ لائیو ٹرانسکرپشن کسی بھی آلے کے مائیکروفون، OBS یا براڈکاسٹ انکوڈر کے RTMP فیڈ، YouTube لائیو، انٹرنیٹ ریڈیو اسٹیشن یا کسی بھی اسٹریم فراہم کرنے والے URL کو سن سکتی ہے۔ اسٹریم کے لیے VocalStack آڈیو خود کھینچتا ہے: آپ کی طرف کچھ نہیں چلانا پڑتا۔

ایک براڈکاسٹ لنک کو کئی ٹرانسکرپشنز سے فیڈ کیا جا سکتا ہے، اس لیے دو اسٹیج والی کانفرنس، یا ریڈیو اسٹریم اور YouTube لائیو والا اسٹیشن، پھر بھی ایک ہی لنک شیئر کرتے ہیں۔

کیا میں طے کر سکتا ہوں کہ ٹرانسکرپٹ کون دیکھے؟

جی ہاں۔ براڈکاسٹ ڈیفالٹ طور پر عوامی ہوتا ہے: لنک رکھنے والا کوئی بھی شخص اسے فالو کر سکتا ہے۔ اسے نجی بنائیں اور پاس ورڈ رکھیں، تو صرف وہی لوگ داخل ہو سکیں گے جنہیں دونوں دیے گئے ہوں۔ بعد میں لنک کا نام بدلیں تو پرانا لنک پھر بھی کام کرتا ہے۔ آپ یہ بھی دیکھ سکتے ہیں کون سن رہا ہے، کس زبان میں، اور کب شامل ہوا۔

کیا سامع اصل مقرر کو سنتا ہے یا مصنوعی آواز کو؟

دونوں میں سے کوئی بھی۔ ڈیفالٹ طور پر ہر اسپیکر کو جنس سے ملتی جلتی ایک الگ ریڈی میڈ آواز ملتی ہے، تاکہ پینل پھر بھی پینل لگے۔ اسپیکر کی اجازت سے، آپ تیس سیکنڈ کی آڈیو سے ان کی آواز کلون کر سکتے ہیں، اور پھر ترجمہ ہر زبان میں ان کی اپنی آواز میں پڑھا جاتا ہے۔ کلون شدہ آواز کا مطلب یہ بھی ہے کہ آئندہ ریکارڈنگز میں اسپیکر نام سے پہچانا اور لیبل ہوگا۔ آپ ہر اسپیکر کو آواز دے سکتے ہیں، یا کسی ایک کو خاموش کر سکتے ہیں۔

تقریب کے بعد کیا محفوظ رہتا ہے؟

سب کچھ۔ ریکارڈنگ، درستگیوں اور ترجموں کے ساتھ اس کا ٹرانسکرپٹ، اور آڈیو آپ کی لائبریری میں محفوظ ہوتے ہیں۔ الفاظ حتمی ہونے کے بعد، ہر زبان میں عنوان اور خلاصہ ایک بار لکھا جاتا ہے۔ آپ اسے بالکل ویسے ہی چلا سکتے ہیں جیسے وہ آیا تھا، اپنی زبان میں ہر ٹرانسکرپٹ میں تلاش کر سکتے ہیں، اور SRT سب ٹائٹلز، PDF، Excel یا JSON کے طور پر ایکسپورٹ کر سکتے ہیں۔

کیا میں اسے اپنی پروڈکٹ میں شامل کر سکتا ہوں؟

جی ہاں۔ ڈیش بورڈ جو کچھ کرتا ہے، وہ سب API کے ذریعے، اسی شرح پر دستیاب ہے: WebSocket پر ریئل ٹائم ٹرانسکرپشن، براڈکاسٹس کے ساتھ لائیو ٹرانسکرپشنز، ترجمہ اور بولے گئے ترجمے، فائل اور لنک جابز، اور ایک MCP سرور۔ TypeScript اور Python کے سرکاری SDKs شامل ہیں۔ سامعین اپنی ایپ سے شیئر کوڈ کے ذریعے، بغیر API کلید کے، کسی ریکارڈنگ کو سبسکرائب کر سکتے ہیں۔