Głos w czasie rzeczywistym i tłumaczenie na żywo

Przegląd

ToRun obsługuje dwukierunkowy głos w czasie rzeczywistym — Ty mówisz, asystent słucha i odpowiada dźwiękiem oraz tekstem w trakcie sesji na żywo — a także tłumaczenie na żywo, w którym mowa jest tłumaczona w trakcie jej wypowiadania. Działają one w oparciu o funkcję realtime (dwukierunkowy dźwięk + tekst) i są rozliczane za sekundę czasu sesji.

Zaangażowane funkcje

• Czas rzeczywisty (dźwięk + tekst) — sesja na żywo w stylu WebSocket z wydajnym modelem dostawcy do naturalnej, dwustronnej rozmowy głosowej.
• Synteza mowy (TTS) — zsyntetyzowane wyjście mowy w wielu językach.
• Rozpoznawanie mowy (STT) — transkrypcja, w tym diaryzacja mówców (kto co powiedział).
• Tłumaczenie na żywo — mowa tłumaczona w czasie rzeczywistym między językami.

Rozpoczynanie sesji w czasie rzeczywistym

1. Otwórz powierzchnię głosową/czasu rzeczywistego.
2. Udziel dostępu do mikrofonu.
3. Mów naturalnie — asystent transkrybuje, odpowiada i (w trybie głosowym) odpowiada głosem.
4. Zakończ sesję, gdy skończysz. Sesja jest śledzona jako encja sesji głosowej.

W przypadku tłumaczenia na żywo wybierz języki źródłowy i docelowy; każda strona słyszy mowę drugiej przetłumaczoną w trakcie strumieniowania.

Rozliczenia

• Wykorzystanie czasu rzeczywistego i tłumaczenia na żywo jest mierzone za sekundę dźwięku.
• Każda zmierzona jednostka pracy tworzy BillingRecord z migawką cennika, dzięki czemu koszt sesji głosowej jest przejrzysty i możliwy do skontrolowania.
• Głos/czas rzeczywisty są objęte uprawnieniem Głos/Audio, które jest zawarte od poziomu Pro wzwyż.

STT i diaryzacja

Rozpoznawanie mowy obsługuje diaryzację mówców, etykietując segmenty według mówcy. Jest to przydatne do transkrypcji spotkań, wywiadów lub rozmów z wieloma uczestnikami, w których trzeba przypisać wypowiedzi konkretnym mówcom.

Wskazówki

• Używaj zestawu słuchawkowego lub cichego pomieszczenia — czysty dźwięk wejściowy poprawia dokładność zarówno transkrypcji, jak i tłumaczenia.
• Ponieważ czas rzeczywisty jest mierzony za sekundę, kończ sesje, których aktywnie nie używasz.
• Do jednorazowej transkrypcji istniejącego nagrania STT (a nie sesja na żywo w czasie rzeczywistym) jest tańszym rozwiązaniem.