实时翻译的准确率，大部分在任何模型运行之前就已经决定，取决于麦克风放在哪里。从调音台取音频，只转录一次，一个错误就会变成一行可以为所有人修正的字幕。
手机内置的翻译应用是了不起的成就。它们通常运行一个小到足以放进设备、又不至于耗尽电量的语音模型（有些会在网络连接可用时把音频交给服务器处理）。对于简短、清晰的日常对话，它们确实能胜任：问路、看菜单、柜台前的简单交流。
一个会场里，许多人在听同一位讲话者，这是另一类问题。真实语音中最容易出错的地方，恰恰是小模型最不擅长的：不常见的词和人名、发音相近的词（“their”和“there”，“sail”和“sale”）、专业术语、口音、人们相互抢话，以及背景噪声。在帆船俱乐部里，模型听到“sale”，它做出了一个合理的猜测，却是一个自信满满的错误。
有两个原因使小模型比大模型更容易猜测。一是为了装进手机而被压缩过，它认识的词更少，表达方式也更少；遇到没听过的姓氏时，它只能根据声音去近似。二是实时识别必须在整句话说完之前就确定一个词，因此模型无法利用那些能够区分“sail”和“sale”的信息：后面出现的词，或者说明演讲主题的稿件。在语音识别中，“上下文”正是指这两样东西：前后的词，以及事先已知的信息。
模型不确定时，就只能猜。译文随之建立在这个猜测之上，而读者无从知道。会场里没有人能看出哪一行出了错，更不用说纠正。而且，会场里的听众不是一个人，而是五十个人。
手机听到的是整个房间，而不是讲话者。问题在于距离：领夹式或桌面麦克风离嘴只有几厘米，而第十二排的手机离讲台有十米甚至更远，大部分声音在到达之前已经在墙壁、天花板和椅背之间反射过了。反射的声音既迟到又模糊。此外，手机还会录到后排的咳嗽声、邻座的低语，以及扩音设备在穿过大厅时对人声造成的各种改变。每个座位收到的录音都略有不同，因此每个座位得到的转录也略有不同。
手机的翻译也只服务一个人。五十位与会者举起五十部手机，就会对同一场演讲产生五十份彼此独立的转录，每份的错误也各不相同。活动结束后，两个人对照笔记，也未必对讲话者说了什么达成一致。与此同时，讲话者面对的是一片举起的手机，很难从中读出听众的反应。
对会场中的某些人来说，这不只是不便，而是决定他们能否跟上演讲。听力受损的与会者，或以第三种语言听讲的人，需要的是一份正确的共同文本，而不是五十份尽力而为的结果。因此，应当只转录讲话者一次，并把同一份结果交给所有人。但只有转录做得好，只转录一次才有价值，而这一切要从音频的来源开始。
转录的质量取决于它所依据的音频。因此，第一个决定不是使用哪种模型，而是把哪一路信号输入模型。第二个决定是，在开始之前告诉模型会遇到什么。
实时转录从已经有干净信号的地方取得音频：
VocalStack 会自行拉取 URL 音频流，您这边无需运行任何程序。RTMP 信号则是反方向：由您的编码器推送过来。讲话者的语言会被自动检测，讲话者也可以随时切换语言。如果您知道讲话所用的语言，而录音嘈杂或口音很重，指定语言会提高准确率。
干净的音频能消除由会场环境造成的错误，但对词汇造成的错误毫无作用，这类错误需要另一种帮助。
手机并不知道谁在讲话、讲的是什么主题，因此产品名或姓氏对它而言只是一个需要去近似的声音。而直播可以预先得知会听到什么。
如果在开始之前添加脚本或幻灯片，其中的人名和术语会优先于引擎误听的结果。录制期间，Script 标签页会像提词器一样跟随讲话者。对于充斥会议和讲座的那类语音而言，这是准确率最大的一项提升：其中密集的专有名词和词汇，是任何通用模型都没有听过足够多次的。
好的音频加上术语表，能消除大部分错误。问题在于，剩下的错误会如何处理。
即使有好的音频和脚本，仍然会有一些句子出错。区别在于接下来发生什么。
在手机上，什么也不会发生。错误的那一行滚动过去，建立在它之上的译文也随之消失。
在直播中，如果某一行不够清楚、不值得展示，它会以“Audio unclear”标注并对听众隐藏，而不会被当作事实呈现。
主办方还有 Fix 标签页：引擎不确定的词语可以被标上颜色并加上下划线，点击某一行即可打开它进行审阅，并且在转录仍在进行时，可以改写任何词语或整行内容。每位听众都会以自己的语言看到更正。每一处修改都有标记，并且可以撤销。
重点不在于服务器从不犯错，而在于错误是可见的，由会场中的某个人负责，并且为所有人修正一次。
更正修改的是听众阅读的内容。更喜欢听讲的听众，听到的也是同一份经过更正的文本，只是以语音朗读。
比起阅读，更喜欢听的听众，可以让每一行译文朗读出来。默认情况下，每位讲话者会分配到一个性别相符、彼此不同的预设语音，因此一个小组讨论听起来仍然是小组讨论。您也可以为每位讲话者指定语音，或将某位讲话者静音。
经讲话者同意后，您还可以进一步克隆其声音：只需 30 秒的讲话，上传为音频片段，或直接取自录音中的讲话者即可；若提供几分钟的语音，效果会更好。之后，译文将以讲话者本人的声音、以每种语言朗读。已保存声音的讲话者，在之后的录音中也可以被识别，不过系统宁可不为讲话者标注姓名，也不愿标错人。
有两条规则是刻意设定的。克隆语音属于生物识别数据：只有在讲话者明确同意的情况下才会制作，并且可以随时删除。另外，声音只会朗读转录文本或其译文，无法被用来说出其本人从未说过的话。
以上一切都发生在讲话者说话的过程中。最后一项区别则出现在讲话者停止之后。
手机上的五十份转录会随应用关闭而消失。直播则会将录音保存在您的资料库中：音频，以及包含每一处更正和译文的转录文本。在这里，可以逐行回放、以任何语言搜索并导出；一个链接，所有语言一文介绍了资料库的功能。听众的数量再多，也不产生额外费用。您只需为转录的音频付费：直播每小时 $0.60，每次转录最少计 5 分钟；费率表见定价页面。
手机在每个人手中，仍然是走廊闲聊的好备选。但对于必须一起理解同一位讲话者的会场而言，讲话者应当从源头转录一次，并且有人能够修正出错的地方。您可以在首页上的互动演示中看到这一效果。
