Tal med din egen stemme — på et sprog, du ikke taler

Her er den del af oversættelse i realtid, som næsten alle gør forkert, og som næsten ingen taler om: stemmen, du hører.

Man kan have fremragende talegenkendelse og fremragende oversættelse og alligevel ende med et møde, der føles som en maskine, der læser en liste op. For det sidste trin, hvor den oversatte tekst bliver til lyd igen, er der, hvor de fleste værktøjer stille og roligt erstatter dig med én enkelt generisk syntetisk speaker. Otte personer i rummet, én robotstemme til dem alle. Du mister, hvem der taler, betoningen og personligheden. Det er forståeligt, men ikke en samtale.

InterMIND gør det sidste trin anderledes. Når du taler, hører de andre deltagere oversættelsen med en stemme, der er genkendeligt din og har din klang og din måde at tale på, nu blot med ordene på deres sprog. Det er endnu ikke en fejlfri efterligning. Pointen er, at det er dig og ikke en standardstemme, og det bliver bedre og bedre. Det virker for alle deltagere, i begge retninger, på samme tid.

Dette indlæg er det manglende kapitel i Inde i de fire oversættelsespipelines, der driver InterMIND: Det indlæg forklarede, hvordan lyd bliver til oversat lyd. Dette handler om, hvis stemme der kommer ud i den anden ende.

Standarden, som alle leverer, og hvorfor den er flad

Hvis du har brugt live-oversættelse i en af de store mødeplatforme, kender du lyden. En neutral stemme med jævnt tempo læser oversættelsen op. Det er den samme stemme, uanset om taleren er din direktør, der åbner et fælles medarbejdermøde, eller en kollega, der trækker en vittighed. Teknologien nedenunder er tekst-til-tale med én fast stemmemodel, og designantagelsen er, at forståelighed er nok.

I et rigtigt møde er det ikke nok. Halvdelen af det, et møde kommunikerer, er hvem der siger det, og hvordan. Fjerner du stemmen, har du lavet en diskussion om til en transskription, der tilfældigvis bliver læst højt. Folk holder op med at reagere på hinanden og begynder at vente på deres tur.

Hvad InterMIND gør i stedet

Oversættelsen kører som en kaskadepipeline: tre specialiserede trin i rækkefølge frem for én model, der prøver at klare det hele. De to første trin er beskrevet i indlægget om pipelines. Stemmetrinnet er det, dette indlæg handler om:

ASR — talegenkendelse. Dine ord bliver transskriberet på dit eget sprog, mens du taler, på vores egen motor, nemlig mediaserveren, der bærer opkaldet (Mind API, OVH France), så oversættelsen kan starte, før sætningen er slut.
MT — oversættelse. Transskriptionen bliver samlet i stabile sætningsfragmenter, clauses, så oversættelsen kan begynde, før du er færdig med sætningen, og hvert fragment bliver løbende oversat til lytterens sprog.
Zero-shot TTS — stemmesyntese. Hvert oversat fragment bliver talt op igen med en prøve af din egen stemme og streamet til lytteren.

Det er det tredje trin, ASR → MT → zero-shot TTS, der skaber effekten. "Zero-shot" betyder, at systemet hverken kræver en forudindspillet optagelse eller en træningssession for din stemme. Det modellerer din stemme ud fra lyden fra det møde, du allerede sidder i.

Opvarmningen: hvordan det så hurtigt begynder at lyde som dig

Der gemmer sig et hønen-og-ægget-problem i "brug en prøve af din egen stemme." Helt i starten af et opkald har systemet ikke hørt nok af dig til at modellere din stemme godt.

InterMIND løser det med en gradvis opvarmning:

I cirka de første 5–10 sekunder, mens systemet stadig indsamler nok af din tale, bliver hvert oversat fragment syntetiseret ud fra det lydfragment, der svarer til det, du lige har sagt på dit kildesprog. Stemmen er forankret i din virkelige, umiddelbare tale.
Når der er en lang nok prøve, altså ved de 5–10 sekunder, låser systemet sig fast på den og bruger den til at give stemme til alt efterfølgende.

I praksis hører du ikke noget skift. Oversættelsen lyder mere og mere som dig, efterhånden som samtalen kommer i gang. Det er ikke en perfekt kopi af din stemme, men tydeligt din og ikke en maskines, og den bliver bedre, jo mere modellen hører. Kombinationen af progressiv oversættelse (clause for clause, ikke sætning for sætning) og progressiv stemmegivning er det, der holder det hele inden for latensbudgettet og alligevel får det til at lyde menneskeligt.

Indtal din stemme én gang, og spring opvarmningen over

Opvarmningen ovenfor er det, der sker som standard, uden at du har sat noget op. Siden september 2026 findes der en valgfri anden vej for loggede brugere: en gemt stemmeprøve i Settings → Your voice in translation.

Det er én handling at indtale den. Tryk på Record my voice, vent på Speak now, og sig tallene fra et til ti i vilkårlig rækkefølge. Hvert tal lyser op på kortet, efterhånden som talemotoren hører det, og når alle ti lyser, bliver prøven kontrolleret og gemt af sig selv. Der er intet at afspille eller bekræfte og ingen nedtælling: Kortet beholder den del af din optagelse, der indeholder tallene. Et stille rum og et headset giver det bedste resultat.

Det ændrer den gemte prøve: Fra dit næste møde giver syntesemotoren din oversættelse stemme med den fra første fragment, så den anden side hører dig som dig fra første sætning i stedet for efter opvarmningen. Under motorhjelmen er det den samme zero-shot-syntese med et bedre udgangspunkt. Den live opvarmning finpudser stadig stemmen, mens opkaldet kører.

Optagelsen bliver kontrolleret, før den gemmes. Den skal være på 3 til 10 sekunder klar tale (syntesemotorens inputvindue). Hvis den er for stille, tonet ud, for det meste stilhed eller druknet i baggrundsstøj, fortæller kortet, hvad du skal rette, og beder om en ny optagelse. Tal blev valgt som frase af en praktisk grund: De er korte, genkendelige på alle 23 sprog, og motoren kan bekræfte, at den har hørt alle ti, hvilket gør "virkede den optagelse?" til et synligt ja.

To stemmeprøver, to levetider

Det her er den del, som et sikkerheds- eller juridisk team spørger om med det samme, så her er det ligeud. Der er to forskellige prøver, og de lever forskelligt.

Den live prøve, der bruges til opvarmningen under mødet, er efemer. Den findes kun under selve konferencesessionen, til at give oversættelsen stemme, og den bliver ikke gemt nogen steder. Mind API og SDK, der driver realtidssessionen, opbevarer ingen data. Alt midlertidigt forsvinder, når konferencesessionen slutter.

Den gemte prøve fra Settings bliver gemt på din konto, til ét formål: Den bliver sendt til oversættelsesmotoren, hver gang du deltager i et møde, så din oversatte tale kan få stemme med den, og til ingenting andet. Den bliver, indtil du trykker på Remove på kortet, hvilket straks sender dig tilbage til standardopvarmningen, og den bliver slettet sammen med din konto. Gæster kan ikke indtale en; det er med vilje en funktion for loggede brugere.

Det er værd at være præcis om, hvad ingen af prøverne er: ikke en af InterMINDs optagefunktioner. At optage et mødes video og lyd er en særskilt, bevidst handling, du foretager med vilje og med egne kontroller. En stemmeprøve er et input til talesyntesen: flygtig i det live tilfælde, din at beholde eller slette i det gemte.

Hvorfor ingen andre leverer det her

Det er ikke, fordi stemmekloning er en hemmelighed. Det er, fordi det at gøre det live, pr. deltager, i begge retninger, i samtaletempo, på tværs af 23 sprog og uden at gemme noget, du ikke har bedt om, er et andet problem end at klone en stemme offline til en podcast.

De store platforme optimerer deres oversættelse til dækning med undertekster og én sikker speakerstemme, hvilket er den billige, robuste standard i stor skala. Hvis hver talers egen stemme skal bevares, skal syntesetrinnet følge hver deltager uafhængigt og holde sig inden for det samme latensbudget, som resten af pipelinen lever under. Vi byggede stemmemotoren selv, på vores egen infrastruktur, og det er det, der gør den afvejning til vores at træffe. (Mere om, hvorfor motoren er vores egen kode: Hvad et InterMIND-møde er bygget af.)

Hvor det er på vej hen: lip-sync

At bevare din stemme er den ene halvdel af et større mål. Den anden halvdel er dit ansigt.

Lige nu hører du den anden person med deres egen stemme, men hvis I er på kamera, bevæger deres læber sig stadig efter de ord, de faktisk sagde, på et sprog, du ikke læser. Næste skridt er lip-sync: at time talerens mund om efter den oversatte lyd, så det på din skærm ser ud, som om de taler dit sprog.

Sæt de to sammen, og hele meningen med det her arbejde træder frem. To mennesker uden et fælles sprog sidder over for hinanden i et videoopkald og ser og hører hinanden, som om begge var modersmålstalere af den andens sprog: samme stemme, samme ansigt, ingen tolk imellem, ingen robot, der læser et manuskript op.

For at være tydelige om status: Stemmen er live i dag, lip-sync er på roadmappet, ikke leveret. Vi nævner målet, fordi det er derfor, stemmearbejdet betyder noget. Oversættelse med din egen stemme er ikke selve funktionen, men første halvdel af "tal med hvem som helst, på hvilket som helst sprog, som dig selv."

Hvor du kan høre det

Oversættelse med din egen stemme er live i dag på alle 23 stemmesprog, de samme sprog, som er opført i dokumentationen. Der er intet, der skal slås til separat: Når oversættelse er aktiveret i et møde, hører deltagerne automatisk hinanden med deres egne stemmer. Vi er ærlige om, hvor det står: I dag er stemmen allerede genkendeligt dig, og ligheden er noget, vi aktivt arbejder på at bringe tættere på. Gå ind og lyt, og døm selv.

Prøv demoen — kører den live stemmepipeline på din lyd på et af de 23 sprog.
Se kvalitetstallene — den samme produktionspipeline, scoret hver måned mod FLORES-200, med den fulde fordeling offentliggjort pr. sprogpar.
Indtal din stemmeprøve — logget ind, én optagelse af tallene et til ti, og du får din egen stemme fra første sætning.
Sådan virker det, i dokumentationen — den korte version af dette indlæg.
Se det ved siden af undertekster og en søgbar transskription — hvordan de tre dele opfører sig sammen i ét møde.