Vorbește cu propria voce, într-o limbă pe care nu o vorbești

Iată partea traducerii în timp real pe care aproape toată lumea o face greșit și despre care aproape nimeni nu vorbește: vocea pe care o auzi.

Poți avea recunoaștere vocală excelentă și traducere excelentă și totuși să ajungi la o întâlnire care sună ca o mașină ce citește o listă. Pentru că ultimul pas, transformarea textului tradus înapoi în sunet, este locul în care majoritatea instrumentelor te înlocuiesc discret pe tine cu un singur narator sintetic generic. Opt oameni în încăpere, o singură voce de robot pentru toți. Se pierd cine vorbește, accentele, personalitatea. Se înțelege, dar nu e o conversație.

InterMIND face ultimul pas diferit. Când vorbești, ceilalți participanți aud traducerea cu o voce recognoscibil a ta, care îți păstrează timbrul și felul de a vorbi, și care acum spune cuvintele în limba lor. Nu e încă o imitație impecabilă; ideea este că ești tu, nu un narator generic, iar rezultatul se îmbunătățește. Funcționează pentru fiecare participant, în ambele direcții, în același timp.

Acest articol este capitolul lipsă din Cum funcționează cele patru fluxuri de traducere care rulează InterMIND: acela explica cum devine audio-ul audio tradus. Acesta este despre a cui voce iese la celălalt capăt.

Varianta implicită pe care o livrează toți și de ce sună plată

Dacă ai folosit traducerea live în vreuna dintre marile platforme de întâlniri, știi sunetul. O voce neutră, cu ritm uniform, citește traducerea. Este aceeași voce fie că vorbitorul este directorul tău care deschide o ședință generală, fie un coleg care face o glumă. Tehnologia de dedesubt este text-to-speech cu un singur model de voce fix, iar presupunerea de design este că inteligibilitatea ajunge.

Într-o întâlnire reală nu ajunge. Jumătate din ce comunică o întâlnire ține de cine spune și cum. Scoate vocea și ai transformat o discuție într-o transcriere care întâmplător este citită cu voce tare. Oamenii nu mai reacționează unii la alții și încep să își aștepte rândul.

Ce face InterMIND în schimb

Traducerea rulează ca un flux în cascadă: trei etape specializate, în succesiune, nu un singur model care încearcă să facă totul. Primele două etape sunt descrise în articolul despre fluxuri; etapa de voce este cea despre care vorbește acest articol:

ASR — recunoaștere vocală. Cuvintele tale sunt transcrise în propria limbă, pe măsură ce vorbești, pe motorul nostru propriu, serverul media care transportă apelul (Mind API, OVH Franța), astfel încât traducerea poate începe înainte ca propoziția să se termine.
MT — traducere. Transcrierea este grupată în fragmente stabile de propoziție, clauze, astfel încât traducerea poate începe înainte să termini propoziția, iar fiecare fragment este tradus progresiv în limba ascultătorului.
TTS zero-shot — sinteză vocală. Fiecare fragment tradus este rostit folosind un eșantion al propriei tale voci și transmis în flux ascultătorului.

Această a treia etapă, ASR → MT → TTS zero-shot, produce efectul. „Zero-shot" înseamnă că sistemul nu are nevoie de o înregistrare prealabilă sau de o sesiune de antrenare pentru vocea ta. Îți modelează vocea pe baza audio-ului întâlnirii în care te afli deja.

Încălzirea: cum ajunge să sune ca tine atât de repede

Există o problemă de tipul „oul sau găina" ascunsă în „folosește un eșantion al propriei voci". La începutul unui apel, sistemul nu te-a auzit încă suficient ca să-ți modeleze bine vocea.

InterMIND rezolvă asta cu o încălzire progresivă:

În primele aproximativ 5–10 secunde, cât timp încă adună suficientă vorbire de la tine, fiecare fragment tradus este sintetizat folosind fragmentul audio care corespunde cu ce tocmai ai spus în limba sursă. Vocea sintetizată este ancorată în vorbirea ta reală, de moment.
Odată ce există un eșantion suficient de lung, adică după pragul de 5–10 secunde, sistemul se fixează pe el și îl folosește pentru a reda cu voce tot ce urmează.

În practică nu auzi o comutare. Traducerea sună tot mai mult ca tine pe măsură ce conversația se încinge: nu un dublu perfect al vocii tale, dar clar a ta, nu a unei mașini, și se îmbunătățește pe măsură ce modelul te aude mai mult. Combinația dintre traducerea progresivă (clauză cu clauză, nu propoziție cu propoziție) și redarea vocală progresivă este ceea ce ține întregul proces sub bugetul de latență, păstrând totuși un sunet uman.

Înregistrează-ți vocea o dată și sari peste încălzire

Încălzirea de mai sus este ce se întâmplă implicit, fără nicio configurare. Din septembrie 2026 există o a doua cale opțională pentru utilizatorii autentificați: un eșantion de voce salvat, în Setări → Vocea ta în traducere.

Înregistrarea se face dintr-un singur gest. Apasă Înregistrează-mi vocea, așteaptă Vorbește acum și spune numerele de la unu la zece, în orice ordine. Fiecare număr se aprinde pe card pe măsură ce motorul de vorbire îl aude; când toate cele zece sunt aprinse, eșantionul este verificat și salvat automat. Nu ai nimic de reascultat sau de confirmat și nu există numărătoare inversă: cardul păstrează porțiunea din înregistrarea ta care conține numerele. O cameră liniștită și o cască dau cel mai bun rezultat.

Ce schimbă eșantionul salvat: de la următoarea întâlnire, sintetizatorul îți redă traducerea cu el din primul fragment, astfel încât cealaltă parte te aude ca pe tine încă din prima propoziție, nu după încălzire. În spate este aceeași sinteză zero-shot, cu un punct de pornire mai bun; încălzirea live continuă să rafineze vocea pe parcursul apelului.

Înregistrarea este validată înainte de a fi stocată. Trebuie să aibă între 3 și 10 secunde de vorbire clară (fereastra de intrare a sintetizatorului): dacă este prea încet, distorsionată, în mare parte tăcere sau acoperită de zgomot de fond, cardul îți spune ce să corectezi și îți cere o nouă înregistrare. Numerele au fost alese drept frază dintr-un motiv practic: sunt scurte, recognoscibile în fiecare dintre cele 23 de limbi, iar motorul poate confirma că le-a auzit pe toate zece, ceea ce transformă „a mers înregistrarea?" într-un da vizibil.

Două eșantioane de voce, două durate de viață

Aceasta este partea despre care o echipă de securitate sau juridică întreabă imediat, așa că o spunem pe față. Există două eșantioane diferite și ele trăiesc diferit.

Eșantionul live folosit pentru încălzirea din timpul întâlnirii este efemer. Există doar pe durata sesiunii live a conferinței, pentru a reda traducerea cu voce, și nu este stocat nicăieri. Mind API și SDK-ul care alimentează sesiunea în timp real nu rețin date; tot ce este temporar dispare când se încheie sesiunea conferinței.

Eșantionul salvat din Setări este stocat în contul tău, pentru un singur scop: este trimis motorului de traducere de fiecare dată când intri într-o întâlnire, ca vorbirea ta tradusă să poată fi redată cu el, și pentru nimic altceva. Rămâne până apeși Elimină pe card, ceea ce te readuce imediat la încălzirea standard, și este șters odată cu contul tău. Invitații nu pot înregistra unul; este o funcție pentru utilizatori autentificați, prin design.

Merită să fim preciși despre ce nu este niciunul dintre eșantioane: nu sunt una dintre funcțiile de înregistrare ale InterMIND. Înregistrarea video și audio a unei întâlniri este o acțiune separată, deliberată, pe care o faci intenționat, cu propriile controale. Un eșantion de voce este o intrare pentru sintetizatorul vocal: trecător în cazul live, al tău de păstrat sau de șters în cazul celui salvat.

De ce nu mai livrează nimeni asta

Nu e vorba că clonarea vocii ar fi un secret. E vorba că a o face live, pentru fiecare participant, în ambele direcții, în ritmul conversației, în 23 de limbi, fără să stochezi nimic ce nu ai cerut este o problemă diferită de a clona o voce offline pentru un podcast.

Marile platforme își optimizează traducerea pentru acoperirea subtitrărilor și pentru o singură voce de narator sigură, varianta implicită ieftină și robustă la scară mare. Păstrarea vocii proprii a fiecărui vorbitor înseamnă că etapa de sinteză trebuie să urmărească fiecare participant independent și să rămână în același buget de latență în care trăiește restul fluxului. Am construit motorul vocal noi înșine, pe infrastructura noastră, ceea ce face ca acest compromis să fie al nostru de decis. (Mai multe despre de ce motorul este codul nostru propriu: Din ce este construită o întâlnire InterMIND.)

Încotro ne îndreptăm: lip-sync

Păstrarea vocii tale este jumătate dintr-un scop mai mare. Cealaltă jumătate este fața ta.

Acum auzi pe celălalt cu propria lui voce, dar dacă este la cameră, buzele lui se mișcă tot pe cuvintele pe care le-a spus de fapt, într-o limbă pe care nu o citești. Următorul pas este lip-sync: recronometrarea gurii vorbitorului după audio-ul tradus, astfel încât pe ecranul tău să pară că vorbește în limba ta.

Pune-le laolaltă și se vede rostul întregii lucrări. Doi oameni care nu au nicio limbă comună stau față în față într-un apel video și se văd și se aud ca și cum fiecare ar fi vorbitor nativ al limbii celuilalt: aceeași voce, aceeași față, fără interpret la mijloc, fără robot care citește un text.

Ca să fie clar statutul: vocea este disponibilă astăzi; lip-sync este în plan, nu este încă livrat. Numim destinația pentru că de aceea contează munca la voce: traducerea cu propria voce nu este funcția în sine, ci prima jumătate din „vorbește cu oricine, în orice limbă, ca tine însuți."

Unde o poți auzi

Traducerea cu propria voce este disponibilă astăzi, în toate cele 23 de limbi cu voce, aceleași limbi listate în documentație. Nu ai nimic de activat separat: când traducerea este activată într-o întâlnire, participanții se aud automat unii pe alții cu propriile voci. Spunem sincer unde se află: astăzi vocea este deja recognoscibil a ta, iar asemănarea este ceva ce o împingem activ mai aproape. Ascult-o și judecă singur.

Încearcă demo-ul — rulează fluxul vocal live pe audio-ul tău, în oricare dintre cele 23 de limbi.
Vezi cifrele de calitate — același flux de producție, evaluat lunar pe FLORES-200, cu distribuția completă publicată pentru fiecare pereche de limbi.
Înregistrează-ți eșantionul de voce — autentificat, o singură înregistrare a numerelor de la unu la zece și ești redat cu vocea ta încă din prima propoziție.
Cum funcționează, în documentație — versiunea scurtă a acestui articol.
Vezi-o alături de subtitrări și de o transcriere căutabilă — cum se comportă cele trei piese împreună într-o singură întâlnire.

O întâlnire tradusă ar trebui să semene cu oamenii care sunt de fapt în ea vorbind unii cu alții. Păstrarea vocii tale este calea prin care ajunge acolo.