Một căn phòng đa ngôn ngữ không cần một gian phiên dịch cho mỗi ngôn ngữ. Cần một luồng âm thanh sạch từ bàn mixer, một liên kết để khán giả mở trên điện thoại của chính họ, và cách sửa một cái tên nghe nhầm ngay khi buổi nói chuyện vẫn đang diễn ra.
Một buổi nói chuyện, buổi lễ, bài giảng hay cuộc họp hội đồng đều có một người nói và một khán giả không phải ai cũng nghĩ bằng ngôn ngữ đó. Các cách giải quyết thường thấy thì tốn kém, chỉ đáp ứng được một phần, hoặc khép kín.
Cách tốn kém nhất là thuê một phiên dịch cho mỗi ngôn ngữ. Ngay cả khi mỗi ngôn ngữ chỉ có một người, bạn vẫn phải có gian phiên dịch, một bộ tai nghe thu và một chuyên gia cho từng ngôn ngữ trong phòng, mà các chuyên gia này không nói y hệt nhau. Mỗi người phiên dịch tự đưa ra lựa chọn dưới áp lực thời gian: dùng từ nào cho một thuật ngữ, rút gọn điều gì, bỏ qua điều gì khi người nói nói nhanh hơn. Với một buổi nói chuyện thông thường, những khác biệt đó hầu như không đáng kể. Nhưng trong một phiên điều trần, một cuộc bỏ phiếu của hội đồng hay một buổi thuyết trình kỹ thuật thì chúng quan trọng: một thuật ngữ được định nghĩa, một liều thuốc hay một điều khoản có thể đến tai người nghe tiếng Pháp với một nghĩa và tai người nghe tiếng Ả Rập với nghĩa khác, và không ai trong phòng có điều kiện để nhận ra. Cách giải quyết một phần là một luồng phụ đề trên một màn hình duy nhất, chỉ bằng một ngôn ngữ phụ. Cách khép kín là đưa năm mươi chiếc điện thoại lên trước phòng: năm mươi bản chép lời hơi sai, mỗi chiếc đều nghe tiếng vọng và tiếng ho rõ như giọng người nói.
Cách khác là phiên âm người nói một lần duy nhất từ một nguồn sạch, rồi dịch bản phiên âm đó sang bất kỳ ngôn ngữ nào khán giả cần, để mọi ngôn ngữ đều bắt đầu từ cùng một nội dung, và để mỗi người nghe tự chọn trên thiết bị của mình. Bản ghi được giữ lại khi sự kiện kết thúc. Dưới đây là cách người tổ chức và người nghe thiết lập, cùng chi phí.
Phiên âm trực tiếp có thể thu từ micro trên bất kỳ thiết bị nào, từ luồng RTMP của OBS hoặc bộ mã hóa nào khác có địa chỉ máy chủ và khóa luồng, từ một buổi YouTube live, từ một đài phát thanh internet hoặc từ bất kỳ URL nào phát luồng. Với một luồng, VocalStack tự kéo âm thanh về; không có gì cần chạy ở phía bạn.
Nguồn âm thanh quan trọng hơn bất kỳ cài đặt nào. Micro đặt trong phòng, hay chiếc điện thoại đặt trên bàn, thu được cả người nói lẫn không gian phòng: tiếng vang từ tường, ghế, khán giả. Nhận dạng giọng nói giảm chất lượng rõ rệt khi giọng nói nhỏ đi so với tiếng ồn đó, và đó là lý do năm mươi chiếc điện thoại kia cho kết quả không khớp nhau. Luồng từ bàn mixer mang micro riêng của người nói với rất ít âm phòng, nên bản phiên âm bám theo người nói chứ không phải căn phòng. Nếu địa điểm có bàn mixer, hãy lấy luồng từ đó.
Ngôn ngữ đang nói được nhận diện tự động, và người nói có thể đổi ngôn ngữ bất cứ lúc nào; khai báo trước ngôn ngữ sẽ giúp ích với các bản ghi ồn và giọng nặng. Nhãn người nói có thể tắt, bật, hoặc When Needed, tức là chỉ bật khi nghe thấy người nói thứ hai. Khi âm thanh đã vào, khán giả cần có chỗ để tìm đến nó.
Buổi phát sóng chính là liên kết: một địa chỉ và một mã QR để người nghe quét, mở bản dịch trực tiếp và chọn ngôn ngữ. Liên kết được tạo từ tên bạn đặt cho buổi phát sóng. Đổi tên sau này thì liên kết cũ vẫn hoạt động, nên mã QR in trên chương trình không bị lỗi thời.
Buổi phát sóng mặc định là công khai: bất kỳ ai có liên kết đều mở được. Nếu bạn đặt chế độ riêng tư và đặt mật khẩu, người nghe sẽ được hỏi mật khẩu trước khi bản phiên âm hiện ra.
Một buổi phát sóng có thể nhận luồng từ nhiều phiên âm trực tiếp, nên một hội nghị có hai sân khấu vẫn dùng chung một liên kết. Liên kết đưa người nghe đến; còn điều giữ họ ở lại là việc tên được viết đúng.
Bộ nhận dạng giọng nói được huấn luyện trên cách người ta thường nói, nên khi một âm mơ hồ, nó chọn từ phổ biến. Tên sản phẩm, họ, tên làng, tên một hóa chất: mỗi thứ đều có một từ gần âm hơn và thường gặp hơn, và đó là từ sẽ xuất hiện trừ khi bộ nhận dạng được báo trước rằng một từ hiếm sắp đến. Đó là việc của kịch bản. Hãy thêm kịch bản hoặc slide trước khi bắt đầu, và các tên, thuật ngữ trong đó sẽ thắng những gì bị nghe nhầm. Chính những tên và thuật ngữ này là chỗ nhận dạng thường thất bại trong một bài nói chuyên môn. Trong lúc ghi âm, tab Script chạy theo như máy nhắc chữ, làm sáng các từ đã nói.
Đó là toàn bộ việc thiết lập. Ở phía bên kia liên kết, người nghe còn phải làm ít hơn.
Người nghe chỉ cần một liên kết hoặc mã QR và một chiếc điện thoại. Họ mở liên kết trên trình duyệt và thấy The broadcast hasn't started yet cho đến khi người tổ chức bấm ghi, rồi sẽ thấy Live. The first line appears in a moment. Họ chọn trong các ngôn ngữ mà người tổ chức đã chọn (tối đa 10 cho mỗi phiên âm, trên tổng số 100 ngôn ngữ) và đọc bản phiên âm khi người nói đang nói. Người tổ chức vẫn nói bằng ngôn ngữ của mình. Người nghe có thể đổi ngôn ngữ bất cứ lúc nào; phần bản phiên âm đã có sẽ được hiển thị lại bằng ngôn ngữ mới.
Nếu người nghe muốn nghe, mỗi dòng đã dịch sẽ được đọc to. Mặc định, mỗi người nói được gán một giọng có sẵn riêng, đúng giới tính, để một tọa đàm vẫn nghe ra một tọa đàm.
Ba giai đoạn diễn ra theo thứ tự, và mỗi giai đoạn chờ giai đoạn trước. Nhận dạng cần một đoạn lời nói trước khi chốt được từ, nên bản phiên âm chậm hơn người nói vài phần giây. Dịch cần cả một cụm từ, vì trật tự từ khác nhau giữa các ngôn ngữ và cuối câu có thể làm thay đổi đầu câu, nên bản dịch đến sau một hoặc hai giây. Giọng đọc cần câu đã dịch xong mới bắt đầu được, nên dòng được đọc to đến cuối cùng. Đây không phải lỗi cần cố loại bỏ; đó là điều bất kỳ hệ thống nào làm ba việc này đều phải chịu, kể cả một người phiên dịch thật, người cũng phải chờ đến động từ.
Với sự cho phép của người nói, người tổ chức có thể nhân bản giọng nói của họ từ ba mươi giây người đó nói một mình (tệp MP3, M4A hoặc WAV; vài phút sẽ tốt hơn). Bản dịch sau đó được đọc bằng chính giọng của người nói ở mọi ngôn ngữ. Hãy coi giọng nói là dữ liệu sinh trắc học mà nó thực sự là. Theo GDPR, dữ liệu giọng nói được xử lý để nhận diện một người thường thuộc nhóm dữ liệu đặc biệt tại Điều 9, và một số bang của Hoa Kỳ, trong đó có Illinois, quy định riêng về mẫu giọng nói. Hãy có sự đồng ý rõ ràng của người nói trước khi mẫu giọng được ghi lại, không phải sau đó; giọng nói có thể xóa bất cứ lúc nào. Việc nhân bản cũng đăng ký người nói, nên họ sẽ được gắn nhãn theo tên trong các bản ghi sau này. Người tổ chức có thể gán một giọng cho từng người nói, hoặc tắt tiếng một người.
Người nghe đến muộn sẽ thấy toàn bộ những gì đã nói trước khi họ vào, rồi theo dõi trực tiếp từ đó. Nếu kết nối bị ngắt, trang sẽ tự bắt kịp khi kết nối trở lại. Khi người tổ chức tạm dừng, người nghe thấy Paused. The transcript continues when the host resumes. Khi người tổ chức dừng hẳn, trang hiện ngày và độ dài của bản ghi, và buổi phát sóng liệt kê các bản ghi trước đó để phát lại.
Người nghe chỉ có thể đọc những gì động cơ nhận dạng nghe được, và nhận dạng trực tiếp vẫn sai một phần.
Màn hình người tổ chức có tab Fix dành đúng cho việc này. Mark uncertain words tô màu và gạch chân các từ mà động cơ không chắc chắn; Click to correct mở một dòng để xem xét. Tab này đi qua từng đoạn không chắc chắn một lượt, nên một người thứ hai ở bàn có thể xử lý trong khi người nói vẫn tiếp tục.
Khi người tổ chức sửa một từ hoặc một dòng, kể cả dòng vẫn đang được nói, mọi người nghe đều thấy phần sửa. Một dòng có độ tin cậy quá thấp sẽ bị ẩn với người nghe và hiển thị là Audio unclear thay vì hiện sai; người tổ chức vẫn thấy mọi từ. Chỗ trống là một khoảng thiếu đã biết; một từ sai mà nói chắc nịch thì giống tin đồn hơn.
Những phần sửa đó không biến mất khi buổi nói chuyện kết thúc.
Mọi thứ đều được giữ lại. Bản ghi, bản phiên âm kèm phần sửa và bản dịch, cùng âm thanh, đều được lưu vào thư viện của người tổ chức. Phát lại chạy lại đúng như lúc thu, từng dòng một, kèm âm thanh. Khi lời nói đã chốt, tiêu đề và bản tóm tắt được viết bằng mọi ngôn ngữ, và các tab Summary và Export trên màn hình người tổ chức đưa chúng ra ngay sau sự kiện.
Có thể xuất phụ đề SRT, PDF, Excel hoặc JSON, kèm phần sửa và bản dịch, còn âm thanh tải xuống dưới dạng MP3. Mọi bản phiên âm đều tìm kiếm được bằng bất kỳ ngôn ngữ nào.
Chế độ xem Audience cho biết ai đã nghe, bằng ngôn ngữ nào và họ tham gia khi nào: thường đây là con số thực tế đầu tiên mà ban tổ chức có về việc ai cần ngôn ngữ nào. Trước đó, cách ước lượng thường dùng là hỏi bằng tiếng Anh xem ai cần phiên dịch rồi đếm số người giơ tay. Mã định danh người nghe sẽ bị xóa cùng với bản ghi.
Nhận dạng giọng nói, nhận diện người nói và tổng hợp giọng nói chạy trên các máy chủ do chúng tôi vận hành, và âm thanh của bạn không được gửi cho bên thứ ba nào để xử lý. Chúng tôi không dùng âm thanh, bản phiên âm hay giọng nói của bạn để huấn luyện mô hình.
Thời gian lưu giữ tuân theo gói: với gói Trả theo mức dùng, âm thanh nguồn và giọng nói được giữ 7 ngày, còn bản phiên âm giữ 30 ngày; gói Premium và Enterprise giữ chúng suốt thời gian tài khoản còn hoạt động. Yếu tố khác mà gói quyết định là hóa đơn.
Có hai con số quan trọng. Với gói Trả theo mức dùng và Premium, phiên âm trực tiếp là $0.60 mỗi giờ âm thanh, tính theo từng giây với tối thiểu 5 phút cho mỗi phiên âm, dù dùng trên Bảng điều khiển hay qua API; Enterprise có mức giá theo khối lượng. Người nghe và ngôn ngữ đều miễn phí: một sự kiện kéo dài một giờ, được đọc bằng năm ngôn ngữ cho hai trăm người nghe, chỉ tốn $0.60. Xử lý tệp rẻ hơn ($0.20 mỗi giờ) vì phiên âm trực tiếp chạy theo thời gian thực suốt cả sự kiện. Các gói khác nhau về số phiên đồng thời, thời lượng ghi tối đa và tốc độ khởi động; với gói Trả theo mức dùng, khởi động nguội có thể mất tới 15 giây, nên hãy bấm ghi sớm hơn người nói một chút, khoảng một câu "Mọi người ở cuối phòng có nghe rõ tôi không?" trước. Bảng đầy đủ nằm trên trang bảng giá.
Trang chủ có một bản demo hai điện thoại, và một tài khoản mới trong Bảng điều khiển được tặng tín dụng đăng ký $5 mà không cần thẻ. Với giá phiên âm trực tiếp, số tín dụng đó đủ cho hơn tám giờ phát sóng.
Đang phân vân giữa dịch vụ này và tính năng dịch trực tiếp có sẵn trên điện thoại của mọi người? Hãy đọc vì sao điện thoại không đủ cho một căn phòng. Với một sự kiện đầy đủ, danh sách kiểm tra hội nghị đa ngôn ngữ bao gồm luồng âm thanh, nhiều giai đoạn trên một liên kết và ngân sách. Nhà phát triển có thể làm tất cả những việc này bằng mã qua tài liệu API, với cùng mức giá.
