Govorite s svojim glasom – v jeziku, ki ga ne govorite

Tu je del prevajanja v realnem času, ki ga skoraj vsi zzzagrešijo in o katerem skoraj nihče ne govori: glas, ki ga slišite.

Imate lahko odlično prepoznavanje govora in odličen prevod, pa se sestanek vseeno sliši kot stroj, ki bere seznam. Zadnji korak, pretvorba prevedenega besedila nazaj v zvok, je namreč tisti, v katerem večina orodij tiho zamenja vas z enim samim splošnim sintetičnim bralcem. Osem ljudi v sobi, za vse en robotski glas. Izgubite, kdo govori, poudarke, osebnost. Razumljivo, a ne pogovor.

InterMIND zadnji korak opravi drugače. Ko govorite, drugi udeleženci slišijo prevod z glasom, ki je prepoznavno vaš: nosi vašo barvo glasu in vaš način govora, le da izgovarja besede v njihovem jeziku. Ni še brezhibna imitacija; bistvo je, da ste to vi in ne vnaprej pripravljen bralec, in postaja vse boljše. To deluje za vsakega udeleženca, v obe smeri, hkrati.

Ta prispevek je manjkajoče poglavje k članku Pod pokrovom štirih prevajalskih cevovodov, ki poganjajo InterMIND: tisti članek je pojasnil, kako zvok postane preveden zvok. Ta govori o tem, čigav glas pride na drugi strani ven.

Privzeto, kar ponuja vsak, in zakaj je medlo

Če ste uporabljali prevajanje v živo na katerikoli od velikih platform za sestanke, poznate ta zvok. Nevtralen, enakomerno tekoč glas bere prevod. Je isti glas, ne glede na to, ali govornik odpira zbor zaposlenih kot vaš direktor ali pa kolega pripoveduje šalo. Tehnologija v ozadju je pretvorba besedila v govor z enim stalnim glasovnim modelom, predpostavka zasnove pa je, da je razumljivost dovolj.

Na pravem sestanku ni. Polovica sporočila sestanka je v tem, kdo govori in kako. Odvzemite glas in iz pogovora naredite prepis, ki se slučajno bere na glas. Ljudje se nehajo odzivati drug na drugega in začnejo čakati na svojo vrsto.

Kaj namesto tega počne InterMIND

Prevajanje poteka kot kaskadni cevovod: tri specializirane stopnje zapored, ne en model, ki poskuša početi vse. Prvi dve stopnji sta opisani v prispevku o cevovodih; glasovni korak je tisti, o katerem govori ta prispevek:

1. ASR – prepoznavanje govora. Vaše besede se med govorjenjem prepisujejo v vašem jeziku, na našem lastnem pogonu – medijskem strežniku, ki prenaša klic (Mind API, OVH Francija) – tako da se lahko prevajanje začne, še preden se stavek konča.
2. MT – prevod. Prepis se razdeli v stabilne odseke stavka – klavzule – da se prevajanje lahko začne, še preden stavek dokončate, vsak odsek pa se progresivno prevaja v jezik poslušalca.
3. Zero-shot TTS – sinteza glasu. Vsak preveden odsek se izgovori nazaj z vzorcem vašega lastnega glasu in se pretaka poslušalcu.

Prav ta tretja stopnja – ASR → MT → zero-shot TTS – ustvari učinek. »Zero-shot« pomeni, da sistem za vaš glas ne potrebuje vnaprej posnetega vzorca ali učne seje. Vaš glas modelira iz zvoka sestanka, v katerem že ste.

Ogrevanje: kako začne zveneti kot vi tako hitro

V »uporabi vzorec svojega glasu« se skriva uganka o kokoši in jajcu. Na samem začetku klica sistem še ni slišal dovolj vašega govora, da bi vaš glas dobro modeliral.

InterMIND to reši s progresivnim ogrevanjem:

• Približno prvih 5–10 sekund, medtem ko še zbira dovolj vašega govora, se vsak preveden odsek sintetizira z zvočnim odsekom, ki ustreza temu, kar ste pravkar rekli v izvornem jeziku. Glasovna podoba je zasidrana v vaš resnični, neposredni govor.
• Ko je vzorec dovolj dolg – pri oznaki 5–10 sekund – se sistem nanj zaklene in z njim izgovori vse nadaljnje.

V praksi preklopa ne slišite. Prevod zveni vse bolj kot vi, ko se pogovor razvije – ne popolna dvojnica vašega glasu, a očitno vaš in ne strojni, in boljši, ko model sliši več. Kombinacija progresivnega prevajanja (klavzulo za klavzulo, ne stavek za stavkom) in progresivnega glasu poskrbi, da celota ostane znotraj omejitve zakasnitve in še vedno zveni človeško.

Enkrat posnemite svoj glas in preskočite ogrevanje

Zgoraj opisano ogrevanje je privzeto delovanje, brez kakršnekoli nastavitve. Od septembra 2026 obstaja neobvezna druga pot za prijavljene uporabnike: shranjen glasovni vzorec v Settings → Your voice in translation.

Snemanje je ena sama poteza. Pritisnite Record my voice, počakajte na Speak now in povejte števila od ena do deset v poljubnem vrstnem redu. Vsako število se na kartici prižge, ko ga govorni pogon zasliši; ko je prižganih vseh deset, se vzorec preveri in shrani samodejno. Nič ni treba predvajati ali potrjevati in ni odštevanja: kartica obdrži del vašega posnetka, ki vsebuje števila. Najboljši rezultat dajeta tiha soba in slušalke z mikrofonom.

Kaj shranjeni vzorec spremeni: od vašega naslednjega sestanka sintetizator vaš prevod izgovarja z njim že od prvega odseka, tako da druga stran sliši vas kot vas že od prvega stavka in ne šele po ogrevanju. V ozadju gre za isto sintezo zero-shot z boljšo izhodiščno točko; živo ogrevanje glas še vedno izpopolnjuje, ko klic poteka.

Posnetek se pred shranjevanjem preveri. Imeti mora 3 do 10 sekund jasnega govora (vhodno okno sintetizatorja): če je preglasen ali pretih, popačen, večinoma tišina ali preplavljen s šumom iz ozadja, vam kartica pove, kaj popraviti, in zahteva nov posnetek. Števila so bila izbrana kot fraza iz praktičnega razloga: so kratka, prepoznavna v vseh 23 jezikih, pogon pa lahko potrdi, da je slišal vseh deset, kar vprašanje »je snemanje uspelo?« spremeni v viden da.

Dva glasovna vzorca, dve življenjski dobi

To je del, o katerem vas varnostna ali pravna ekipa vpraša takoj, zato ga povemo odkrito. Obstajata dva različna vzorca in živita različno.

Živi vzorec, uporabljen za ogrevanje med sestankom, je kratkotrajen. Obstaja samo za čas žive konferenčne seje, z namenom izgovoriti prevod, in ni shranjen nikjer. Mind API in SDK, ki poganjata sejo v realnem času, ne hranita nobenih podatkov; vse začasno izgine, ko se konferenčna seja konča.

Shranjeni vzorec iz nastavitev je shranjen z vašim računom, z enim samim namenom: ob vsaki pridružitvi sestanku se pošlje prevajalskemu pogonu, da se lahko vaš preveden govor izgovori z njim, in za nič drugega. Ostane, dokler na kartici ne pritisnete Remove, kar vas takoj vrne na standardno ogrevanje, izbrisan pa je tudi skupaj z vašim računom. Gostje ga ne morejo posneti; po zasnovi je funkcija za prijavljene uporabnike.

Treba je biti natančen glede tega, kaj nobeden od vzorcev ni: ni ena od funkcij snemanja v InterMIND. Snemanje videa in zvoka sestanka je ločeno, namerno dejanje, ki ga opravite zavestno, z lastnimi kontrolami. Glasovni vzorec je vhod za govorni sintetizator: začasen v živem primeru, v shranjenem pa vaš, da ga obdržite ali izbrišete.

Zakaj tega ne ponuja nihče drug

Ne gre za to, da bi bilo kloniranje glasu skrivnost. Gre za to, da je početi to v živo, za vsakega udeleženca posebej, v obe smeri, v tempu pogovora, v 23 jezikih, brez shranjevanja česar koli, česar niste naročili, drugačen problem kot kloniranje glasu brez povezave za podkast.

Velike platforme svoje prevajanje optimizirajo za pokritost s podnapisi in enega varnega bralca – to je poceni, robustna privzeta rešitev v velikem obsegu. Ohranjanje glasu vsakega govorca pomeni, da mora stopnja sinteze spremljati vsakega udeleženca neodvisno in ostati znotraj iste omejitve zakasnitve, v kateri deluje preostanek cevovoda. Glasovni pogon smo zgradili sami, na lastni infrastrukturi, zato je ta kompromis naša odločitev. (Več o tem, zakaj je pogon naša lastna koda: Iz česa je sestavljen en sestanek v InterMIND.)

Kam gremo: sinhronizacija ustnic

Ohranitev vašega glasu je ena polovica večjega cilja. Druga polovica je vaš obraz.

Zdaj drugega slišite z njegovim glasom, a če je pred kamero, se njegove ustnice še vedno gibljejo po besedah, ki jih je v resnici izgovoril – v jeziku, ki ga ne berete. Naslednji korak je sinhronizacija ustnic: preusmeritev časovnice govornikovih ust na preveden zvok, tako da se na vašem zaslonu zdi, da govori vaš jezik.

Združite obe stvari in jasno postane smisel vsega tega dela. Dva človeka, ki si ne delita skupnega jezika, sedita vsak na svoji strani video klica in se vidita ter slišita, kot da bi bil vsak od njiju materni govorec jezika drugega – isti glas, isti obraz, brez tolmača vmes, brez robota, ki bere scenarij.

Da bo stanje jasno: glas deluje danes; sinhronizacija ustnic je v načrtu, ni še izdana. Cilj omenjamo, ker pojasni, zakaj je delo z glasom pomembno – prevod z lastnim glasom ni funkcija sama po sebi, je prva polovica »govori s komer koli, v katerem koli jeziku, kot ti sam«.

Kje ga slišati

Prevod z lastnim glasom deluje danes, v vseh 23 glasovnih jezikih – istih, ki so navedeni v dokumentaciji. Ničesar ni treba posebej vklopiti: ko je v sestanku omogočeno prevajanje, udeleženci samodejno slišijo drug drugega z lastnimi glasovi. Odkrito povemo, kje smo: danes je glas že prepoznavno vaš, podobnost pa dejavno približujemo še bolj. Pojdite poslušat in presodite sami.

• Preizkusite predstavitev – poganja cevovod z živim glasom na vašem zvoku v katerem koli od 23 jezikov.
• Oglejte si številke o kakovosti – isti produkcijski cevovod, mesečno ocenjen po FLORES-200, s celotno porazdelitvijo, objavljeno za vsak jezikovni par.
• Posnemite svoj glasovni vzorec – prijavljeni, en posnetek števil od ena do deset, in zveneli boste kot vi od prvega stavka.
• Kako deluje, v dokumentaciji – skrajšana različica tega prispevka.
• Oglejte si ga ob podnapisih in iskalnem prepisu – kako se vsi trije deli obnašajo skupaj v enem sestanku.

Preveden sestanek bi moral biti videti kot ljudje, ki so v njem, ko se res pogovarjajo med seboj. Ohranjanje vašega glasu je pot do tja.