字幕的成败在调音台和演讲者的幻灯片上就已注定。每个舞台都要取一路干净的语音麦克风信号，并在任何人登台前载入所有人名和缩写；当天其余的工作，就是修正这两处遗漏的内容。
为一场多语言会议提供实时字幕，大部分工作都发生在任何人登台之前，而且其中大部分并不是软件的工作。
放在讲台上的手机收到的是整个房间的声音；调音台收到的则是演讲者的声音。请从调音台取音频，并且明确要哪一路信号。请音响工程师专门提供一路辅助输出或矩阵输出，只包含语音麦克风：讲台麦克风、领夹麦克风、小组讨论麦克风。入场音乐、视频播放声和掌声音轨都不应包含在内。识别系统如果要穿过一段配乐去听，就会对歌词做出自信满满的猜测。
请在技术彩排时测试这一路信号，尽量使用真实的麦克风和真实的扬声器。否则，你可能要到活动当天早上 8:55 才发现矩阵输出是后推子的，而音响工程师会在两场演讲之间把讲台静音。
有两种方式把这一路信号交给 VocalStack。第一种是在调音台处设置一台 RTMP 编码器。把 RTMP 流添加为实时转录的音频源后，控制台会显示编码器所需的服务器地址和推流密钥，告诉你音频是否已经到达以及格式如何，并允许你直接监听。第二种是提供流地址。如果现场已经以 YouTube 直播或音频流的形式对外输出，粘贴该链接即可，VocalStack 会自行拉取音频，你这边无需运行任何程序。请粘贴流本身的地址，而不是播放它的网页。如果你误粘贴了网页，控制台会提示你。
无论采用哪种方式，每个舞台都只用一路麦克风信号。观众席的麦克风和串音会损失准确率，而任何设置都无法挽回。全场最好的那支麦克风，应当属于那位总是把身子往远离它的方向倾斜的小组讨论嘉宾。
音频接入之后，观众还需要一个可以阅读字幕的地方。
直播就是观众打开的那个链接。在 Broadcasts 下创建直播，为它命名并选择链接。控制台会根据名称推荐一个链接，你可以修改，但链接至少需要 6 个字符。同一页面还会显示二维码，观众扫描后即可打开实时翻译并选择语言。
现在就要决定直播是公开还是私密。公开意味着任何拿到链接的人都能打开；私密则要求观众先输入一个简短的密码，才会显示转录文本。如果之后需要更换链接，请直接更换，旧链接仍然有效。
接下来考虑如何让链接传到每一个口袋里。在每场会议开始前的等候幻灯片上、会场入口的指示牌上，以及（如果有的话）工作证挂绳卡片上，都印上二维码。数百部手机同时加入，会给会场 Wi-Fi 带来真正的负载，因此请向场馆询问接入点是按什么规模配置的，以及访客网络是否会按设备限速。如果对方答不上来，就告诉观众改用移动数据。页面本身很小，真正的风险在 Wi-Fi。
设有两个舞台的会议不需要两个链接。一个直播可以同时由多路实时转录提供内容。舞台 A 和舞台 B 作为两路转录附加到同一个直播上，观众的手机会在同一页面上同时显示两者。每个舞台都是独立的实时转录，而每个套餐对同时运行的数量都有限制（按量付费为 1 路，Premium 为 5 路，Enterprise 不限）。这一限制会在下面的预算部分再次提到。
链接的价值，取决于它背后的文字。
在任何系统中，实时识别都会在人名、产品术语和缩写上出错。请在开始前为每位演讲者上传稿件或幻灯片，其中的人名和术语会优先于引擎对所听内容的判断。演讲期间，Script 标签页会像提词器一样跟随字句移动。
此时也应当坦诚地说明机器字幕是什么。语音识别加机器翻译，既不是 CART（Communication Access Realtime Translation，即由受过训练的人工字幕员现场打字生成的字幕），也不是口译。它快速、便宜、不知疲倦，但偶尔会颠倒否定词、把数字四舍五入，或者把一个笑话翻译成一条事实陈述。对于主题演讲、产品分享或小组讨论，这种取舍通常是正确的。对于一旦说错一个词就会带来后果的场次（法律、医疗、投票），请预订人工字幕员或口译员，并让机器在旁边运行，作为文字记录。无障碍基准也值得了解：WCAG 2.x 要求实时音频配有字幕，达到 AA 级（标准 1.2.4），而越来越多的公共部门和场馆合同直接引用了这一标准。
文字都确定之后，最后的准备工作是确定由谁来发言。
说话人标签会告诉观众谁在说话。把开关设为 When Needed，标签就只会在听到第二位说话人之后才出现，因此主题演讲读起来是普通文本，而小组讨论读起来则像一场对话。
若要从第一句话起就按姓名识别演讲者，请提前在 Voices 下录入他们的声音。只需一段某人讲话的录音即可：MP3、M4A 或 WAV 格式，至少 30 秒，最好是几分钟。本人必须已经同意，控制台会在创建声音之前要求你确认已获得许可。请不要把它只当作一个勾选框。根据 GDPR，用于识别个人身份的声纹通常被视为生物识别数据（第 9 条）。这意味着需要明确同意，并享有要求删除声纹的权利。其他地区也有类似规定，而演讲者协议正是处理这一问题最简便的地方。克隆语音可以随时删除。在它存在期间，听众还能用匹配的声音听到该演讲者的译文。
计划确定之后，剩下的就是活动当天的事情了。
每个实时转录都有一个 Speed 标签页，其中包含延迟模式以及一张随时间变化的延迟图表。共有三种设置：
对于有干净调音台信号的脚本化主题演讲，应选择 Auto；而对于四种口音、没有稿件的技术讨论，Accuracy 值得多花一些延迟。
启动时间是另一项需要提前规划的内容。在按量付费套餐下，冷启动最多可能需要 15 秒，转录才会开始。Premium 通常是热启动，Enterprise 则始终如此。请在观众入场时就按下开始，而不是等到第一个字出现。
无论选择哪种模式，总会有一些词出错，因此需要有人守在旁边盯着。
调音台旁边应当有一个人始终打开 Fix 标签页。它有两个开关：Mark uncertain words 会为引擎不确定的词着色并加上下划线；Click to correct 则会在你点击时打开该行以供审核。该标签页会逐一带你查看不确定的段落，而一次修正会同步到每种语言的每一位听众。
观众席的麦克风是任何会场里最薄弱的一环，而问答环节正好暴露了这一点。请主持人在回答之前，先用自己的麦克风重复每一个观众的问题。字幕会感谢他们，后排那些同样没听清的观众也会感谢他们。
场次之间，调音台的工作则有所不同。
主持人屏幕可以暂停和恢复录音，而听众页面会显示一条提示：“Paused. The transcript continues when the host resumes.”（已暂停。主持人恢复后，转录会继续。）暂停是为场次切换准备的，而不是午餐休息。每段录音都有最长暂停时间，可在控制台中设置为 30 秒、1 分钟或 3 分钟；暂停时间超过上限的录音会自动结束。
如果间隔较长，请停止录音，并在下一场开始时开启新的录音。每段录音都会保留在直播的页面上，因此下午时观众可以回看上午的场次。按量付费套餐下，单段实时录音的上限为数小时，Premium 则更长（确切数字见价格页面），所以无论如何，漫长的一天都会被分成若干段录音。
上午过半时，请检查一下实际在阅读的都是谁。
Broadcast 标签页的观众视图会显示谁已加入、当前有多少人在收听、他们打开的语言，以及随时间变化的收听人数。每个转录最多支持 10 种语言，每位听众在自己的设备上选择其中一种。因此，该视图能告诉你会场里的人真正在阅读哪些语言，而这通常与组织者的猜测并不相同。从马德里注册的代表原来读的是英语，而葡萄牙语那一行却意外地坐满了人。把这份名单带回去，供明年参考。
这些听众都是免费的，真正花钱的是音频。
实时转录按每小时音频 $0.60 计费，按秒结算，每次转录起计 5 分钟，所有套餐以及通过 API 使用均同此价格。两个舞台各运行八小时，即 16 小时的实时音频，费用为 $9.60。翻译、直播、摘要和导出都包含在内，无论有多少人收听。
套餐影响的是并发能力，而不是费率。按量付费提供 $5 的一次性注册额度，无需绑定信用卡，同一时间只能进行一个转录，单段录音最长 5 小时。实时转录会在额度降至零时立即停止，因此请在大门开启前先充值。Premium 每月 $50（年付为每月 $40），每月包含 $50 额度，可覆盖 83 小时的实时音频。它允许五个并发转录和 10 小时的录音，并设有宽限期：实时转录在额度归零后仍会继续运行一段时间，超出的分钟数按同样的费率计费。两个并行舞台需要 Premium。Enterprise 采用定制定价，并发数不受限制，录音时长为 24 小时，并拥有专属的引擎池。
完整对比表请见价格页面。活动前一周，请到控制台中的账单检查余额。
音频停止时，账单也就停止了；而转录文本不会停止。
转录文本在按量付费套餐下保留 30 天，在 Premium 和 Enterprise 下则不设期限。按量付费套餐下，音频源文件仅保留 7 天。如果你使用免费版，请在一周内完成导出。
