多语言现场不需要为每种语言配一个译员间。只需要从调音台接出一路干净的音频，听众用自己的手机打开一个链接，再加上在演讲进行中修正听错名字的办法。
演讲、礼拜、讲座或议会会议通常只有一个人在说话，而台下的听众并非都以这种语言思考。常见的解决办法要么昂贵，要么只能覆盖一部分人，要么只能私下进行。
昂贵的办法是为每种语言配一位译员。即便每种语言只配一位，也意味着要有译员间、接收机，以及每种语言各一名专业译员，而且这些译员说的并不完全一样。在时间压力下，每位译员都会自行决定：某个术语用哪个词，哪些内容要压缩，讲者语速加快时舍弃什么。普通演讲上，这些差异几乎无关紧要。但在法律听证、议会表决或技术简报中，差异就很重要：一个定义术语、一个剂量或一条条款，可能对法语听众是一个意思，对阿拉伯语听众却是另一个意思，而房间里的人没有办法察觉。部分的办法是在一块屏幕上显示一种第二语言的字幕。私下的办法则是把五十部手机举向会场——五十份略有出入的文字稿，每部手机都把回声和咳嗽听得和讲话者一样清楚。
另一种做法是：从一路干净的音源只转录讲话者一次，再把这份转录文本翻译成听众需要的每种语言，这样所有语言都从同一组词句出发，每位听众在自己的设备上选择语言。活动结束后，录音会被保留。下面说明主办方和听众各自如何设置，以及需要付出的成本。
实时转录可以接收任何设备的麦克风、来自 OBS 或其他编码器的 RTMP 信号（只需填写服务器地址和串流密钥）、YouTube 直播、网络电台，或任何提供音频流的 URL。对于音频流，VocalStack 会自行拉取音频，您这边无需运行任何程序。
音源比任何设置都重要。会场里的麦克风，或放在桌上的手机，收到的是讲话者加上整个房间的声音：墙壁、椅子和听众产生的混响。当人声相对于这些噪声变弱时，语音识别的准确率会急剧下降，这正是那五十部手机结果互相不一致的原因。调音台的输出主要承载讲话者自己的麦克风信号，房间里的声音很少，因此转录会跟随讲话者，而不是房间。如果场地设有调音台，请从那里取音频。
系统会自动检测所说的语言，讲话者随时可以换语种。如果事先指定语言，在嘈杂的录音或口音较重的情况下会有帮助。说话人标签可以关闭、开启，或设为 When Needed，即一旦听到第二位说话人就自动开启。音频进入之后，听众还需要一个地方找到它。
直播就是这个链接：一个地址加一个二维码，听众扫码即可打开实时翻译并选择语言。链接由您为直播取的名称生成。之后改名，旧链接仍然有效，因此印在节目单上的二维码不会失效。
直播默认公开，任何拿到链接的人都可以打开。如果将其设为私密并设置密码，听众需要先输入密码，才会看到转录文字。
一场直播可以由多路实时转录同时供稿，因此一场有两个会场的大会可以共用一个链接。链接负责把人请进来，留住他们的则是名字和术语是否准确。
语音识别器是按人们通常的说法训练的，所以遇到含糊的读音时，它会倾向于常见的词。产品名、姓氏、村庄名、化学物质，每一个都有一个出现得更频繁的近音词，除非识别器事先知道生僻词即将出现，否则输出的就是那个近音词。脚本的作用正在于此。开始前添加脚本或幻灯片，其中的名字和术语会优先于被听错的词。在专业性较强的演讲中，识别通常就是在这些名字和术语上出错。录制期间，Script 标签页会像提词器一样跟随进度，点亮已经说出的词句。
设置就是这些。在链接的另一端，需要做的更少。
听众只需要一个链接或二维码，以及一部手机。他们在浏览器中打开链接，在主办方按下录制之前，会看到 The broadcast hasn't started yet；主办方开始后则显示 Live. The first line appears in a moment. 他们可以从主办方选定的语言中挑选（每场转录最多 10 种，可从 100 种语言中选择），然后边听讲话边阅读转录内容。主办方仍然用自己的语言讲话。听众可以随时切换语言，切换后会以新语言重新显示此前的全部转录内容。
如果听众更愿意收听，每句译文都会被朗读出来。默认情况下，每位讲话者使用一种性别相符的不同预设语音，因此小组讨论听起来仍然是多人讨论。
三个阶段按顺序进行，每一阶段都要等待前一阶段完成。识别需要一段语音才能确定词语，因此转录会比讲话者慢几分之一秒。翻译需要一个完整的短语，因为不同语言的语序不同，句末可能改变句首的含义，所以翻译会晚一两秒。语音合成需要译文句子完整后才能开始，因此朗读的句子排在最后。这不是需要调校掉的故障，而是任何完成这三项工作的系统都必须经历的过程，包括人工译员，他们也要等到动词出现才能开口。
经讲话者同意，主办方可以用此人单独说话的三十秒音频（MP3、M4A 或 WAV 格式；几分钟更好）克隆其声音。之后，每种语言的译文都会以讲话者本人的声音朗读。请将声音视为生物识别数据加以对待。根据 GDPR，为识别个人而处理的声音数据通常属于第 9 条规定的特殊类别；包括伊利诺伊州在内的一些美国州还会单独监管声纹。请在录制样本之前而非之后取得讲话者的明确同意；声音可以随时删除。克隆还会登记讲话者，之后的录音中他们会以姓名标注。主办方可以为每位讲话者指定一种声音，也可以将某位讲话者静音。
迟到的听众会先看到此前已经说过的全部内容，然后再实时跟上。如果连接断开，连接恢复后页面会自动补齐内容。主办方暂停时，听众会看到 Paused. The transcript continues when the host resumes.；主办方结束后，页面会显示录音的日期和时长，直播中也会列出过往录音供回放。
听众只能阅读引擎听到的内容，而实时识别会听错一部分。
主办方界面中有一个 Fix 标签页，正是为此而设。Mark uncertain words 会为引擎不确定的词语上色并加下划线，Click to correct 会打开一行供审阅。该标签页会逐个列出不确定的片段，因此桌边的另一位工作人员可以在讲话继续的同时逐一处理。
主办方改写某个词或某一行时，即使是仍在说话时的内容，每位听众都会看到更正。置信度过低的句子会以 Audio unclear 的形式对听众隐藏，而不是显示错误内容；主办方仍然能看到每一个词。空白是已知的缺口，而说得很笃定的错词则是谣言。
这些更正在活动结束后也不会消失。
所有内容都会被保留。录音、带有更正和译文的转录文本以及音频，都会保存到主办方的资料库中。回放会按原样逐行重放，并附带音频。文字定稿后，系统会以每种语言撰写标题和摘要，主办方界面中的 Summary 和 Export 标签页会直接把它们带出活动现场。
导出格式为 SRT 字幕、PDF、Excel 或 JSON，其中包含更正和译文；音频可以下载为 MP3。每份转录文本都可以用任意语言搜索。
Audience 视图会显示谁在收听、使用哪种语言、何时加入。这往往是组织者第一次真正掌握谁需要哪种语言的确切人数。在此之前，通常的估计来自于用英语询问“是否需要翻译”后举手的人数。听众标识符会随录音一并删除。
语音识别、说话人识别和语音合成都运行在我们运营的服务器上，您的音频不会为处理之目的发送给任何第三方。我们不会使用您的音频、转录文本或声音来训练模型。
保留期限随套餐而定：按量付费套餐下，原始音频和声音保留 7 天，转录内容保留 30 天；Premium 和 Enterprise 则在账户存续期间一直保留。套餐决定的另一件事是账单。
有两个数字需要关注。在按量付费和 Premium 套餐下，实时转录为 $0.60/小时（按音频时长计费，每秒计量，每次转录最少 5 分钟），在控制台和 API 中计费方式相同；Enterprise 为批量费率。听众和语言数量不收费：一场一小时的活动，用五种语言供两百人收听，只需 $0.60。文件转录更便宜（$0.20/小时），因为实时转录会以实时速度运行整场活动。各套餐在并发数、最长录音时长和启动速度上有所不同：按量付费套餐下，冷启动可能需要长达 15 秒，因此请在讲话者开口之前稍早按下录制，大约提前一句“后排的人都听得到吗？”的时间。完整对照表见价格页面。
首页有一个双手机演示，在 控制台 注册的新账户会获得 $5 的注册额度，无需绑定银行卡。按实时费率计算，这笔额度足够支持超过八小时的直播。
在本方案与每部手机内置的实时翻译之间犹豫不决？请阅读为什么手机不足以应对会场的实时翻译。对于一场完整的活动，多语言会议字幕清单涵盖音频路径、同一链接下的多个会场以及预算。开发者可以通过 API 参考 用代码完成以上全部操作，费率相同。
