Překladová sluchátka zachycují řeč pomocí mikrofonu, posílají zvuk do telefonu nebo jiného procesoru, převádějí jej na text, překládají ho a přehrávají mluvený výstup. To je běžný pracovní postup, ale místo zpracování a zvukové připojení závisí na modelu. Zpoždění, které slyšíte, je souhrnný čas pro detekci konce promluvy, rozpoznávání, překlad, syntézu řeči, síťový přenos tam, kde je potřeba, a přehrávání. Jediné inzerované číslo rychlosti jen zřídka popisuje celou tuto cestu.
Klíčové poznatky
- Zeptejte se, kde běží každý krok: ve sluchátku, telefonu, vyhrazené základní jednotce nebo cloudové službě.
- Na hostiteli s Bluetooth Classic může otevření mikrofonu náhlavní soupravy přepnout zvuk ze stereofonního přehrávání A2DP na monofonní hands-free provoz. To popisuje zvukový režim; neměří to zpoždění překladu.
- Detekce konce promluvy může přidat pauzu, ale její nastavení se mezi řečovými systémy liší. Časový limit 500 ms pro uzavření streamu v Google Cloud není univerzální minimální hodnota endpointingu.
- Otestujte celý interval od konce mluvené promluvy po slyšitelný přeložený výstup v hluku a podmínkách připojení, které očekáváte používat.
Pět fází překladových sluchátek
- Zachycení: mikrofon snímá hlas mluvčího. Umístění, hluk v místnosti a potlačení šumu ovlivňují vstup.
- Přenos: zvuk dorazí do telefonu, pouzdra nebo základní jednotky. Některé produkty používají Bluetooth; jejich zpětný zvuk může využívat stejné připojení.
- Rozpoznávání: řečový systém převádí zvuk na text. Streamovací systémy mohou zobrazovat částečná slova dříve, než rozhodnou, že je promluva dokončena.
- Překlad: software vytváří text v cílovém jazyce. Služba může překládat celou promluvu nebo začít z kratších úseků.
- Přehrávání: převod textu na řeč vytvoří zvuk a produkt jej odešle do reproduktoru nebo sluchátka.
Tyto fáze se v některých implementacích mohou překrývat. Například streamovací rozpoznávač může připravovat text, zatímco někdo stále mluví. Důležitá otázka je, na co produkt čeká, než začne překlad vyslovovat. Překlad nemůže začít bez použitelného zdrojového obsahu, ale systém nemusí čekat na plně finalizovaný odstavec. Produkty, které překládají krátké úseky, mohou reagovat dříve, ale riskují pozdější opravy nebo neobratné hranice frází.
Tato stránka vysvětluje mechanismus. Pro rozhodnutí o koupi, které zároveň zohledňuje etiketu sdílených sluchátek, videohovory a cenu, si přečtěte naše srovnání překladových sluchátek a aplikace.
Co mění Bluetooth
Bluetooth Classic používá pro přehrávání hudby a hovory přes náhlavní soupravu různé profily. Dokumentace Microsoftu k audiosystému Bluetooth Classic popisuje A2DP jako stereofonní přehrávání bez kanálu mikrofonu a HFP jako současné monofonní snímání a přehrávání. Ve Windows výběr mikrofonu náhlavní soupravy zvolí HFP s dokumentovanými režimy 8 kHz narrowband nebo 16 kHz wideband. To je užitečný příklad toho, co se může stát, když sluchátko poskytuje vstup i výstup; jiný produkt nebo hostitel může použít jinou cestu.
| Cesta | Typická role | Mikrofon | Co zkontrolovat |
|---|---|---|---|
| Classic A2DP | Stereofonní zvuk do sluchátek | Bez kanálu mikrofonu náhlavní soupravy | Zda se při otevření mikrofonu změní režim přehrávání |
| Classic HFP | Obousměrný zvuk náhlavní soupravy | Monofonní snímání | Aktivní hlasový režim hostitele a zařízení |
| LE Audio | Novější zvuková architektura používající LC3 | Závisí na konfiguraci | Podpora na obou zařízeních a skutečný režim překladu |
Užší zvuková cesta může odstranit detaily řeči, ale samotná vzorkovací frekvence nedokáže předpovědět přesnost rozpoznávání ani zpoždění. Záleží také na kvalitě mikrofonu ve sluchátkách, potlačení šumu, usazení, jazyce řeči a okolí. Otestujte skutečný rozhovor, místo abyste předpokládali, že označení kodeku nebo maximální vzorkovací frekvence zaručuje lepší přepis.
Proč může překlad pauznout
Řečový systém musí rozhodnout, kdy má dost slov k překladu. Dokumentace endpointingu Deepgramu ukazuje jeden přístup: konfigurovatelný interval ticha před označením přepisu jako speech-final. Jeho zdokumentovaná výchozí hodnota je 10 ms, s příklady na 300 a 500 ms. Tyto hodnoty popisují nastavení Deepgramu, nikoli benchmarky překladových sluchátek. Produkt může používat jinou detekci konce promluvy, inkrementální překlad nebo ruční ovládání.
Dokumentace hlasové aktivity Google Cloud popisuje konfigurovatelný časový limit stream-closing po události konce řeči delší než 500 ms po události konce řeči. Nestanovuje, že všechny rozpoznávače musí před vytvořením textu čekat půl sekundy. Považovat toto nastavení za univerzální zpoždění překladu by zaměňovalo správu streamu s finalizací rozpoznávání.
Po detekci promluvy může aplikace stále potřebovat dokončit rozpoznávání, odeslat požadavek do cloudu, syntetizovat zvuk a poslat jej posluchači. Síťové podmínky a návrh produktu mohou celkový čas změnit. Naopak inkrementální systém může některé kroky zahájit dříve. Bez měření end-to-end pro konkrétní zařízení a režim není žádný rozumný základ tvrdit, že většinu zpoždění způsobuje Bluetooth, endpointing nebo překladový model.
Užitečné měření: zaznamenejte okamžik, kdy mluvčí dokončí větu, a okamžik, kdy posluchač uslyší přeložený zvuk. Opakujte to s krátkými i dlouhými promluvami, v tiché místnosti i v realistickém hluku a při silném i slabém připojení. Poznamenejte, zda je produkt v online nebo offline režimu. Tím porovnáte zkušenost, kterou potřebujete, a ne izolovaný čas zpracování jednoho dodavatele.
Kde probíhá zpracování
Aplikace v telefonu s cloudovými službami
Některé modely posílají zachycenou řeč přes doprovodnou aplikaci do online služeb rozpoznávání a překladu. Zkontrolujte, zda je připojení vyžadováno pro jazyky a režim, které plánujete používat. Cloudové zpracování přidává závislost na síti, ale samo o sobě neříká celkové zpoždění.
Aplikace v telefonu s offline modely
Jiné produkty nabízejí stažené jazykové balíčky v telefonu. Označení offline může pokrývat jen některé jazykové páry nebo funkce. Zkontrolujte seznam offline režimů výrobce a otestujte jej s aktivovaným režimem letadlo, než na něj budete spoléhat.
Vyhrazená základní jednotka nebo připojené zařízení
Samostatná jednotka může zajišťovat zpracování nebo poskytovat vlastní mobilní připojení. To může změnit požadavky na párování a konektivitu. Neprokazuje to, že překlad běží lokálně nebo že sluchátka fungují offline. Náš průvodce překladovými zařízeními versus aplikacemi v telefonu porovnává tuto širší hardwarovou volbu.
Co mohou zlepšit LE Audio a LC3
Specifikace LE Audio od Bluetooth SIG popisují novější architekturu s kodekem LC3 a profily pro média a telefonii. Přehled LC3 od SIG uvádí podporované vzorkovací frekvence kodeku od 8 do 48 kHz. To jsou schopnosti kodeku, nikoli příslib, že překladová aplikace snímá mikrofon při 48 kHz.
Funkci musí podporovat jak hostitel, tak sluchátka a záleží na aktivní hlasové konfiguraci. Zeptejte se výrobce, jaký zvukový režim jeho překladová funkce skutečně používá. LE Audio může nabídnout větší flexibilitu návrhu, zatímco výkon stále závisí na mikrofonu, softwaru a řetězci služby.
Otázky, které si položit před koupí
- Co měří tvrzení o latenci? Hledejte interval od dokončené mluvené promluvy po slyšitelný přeložený výstup, včetně případných cloudových volání.
- Kde běží rozpoznávání? Zkontrolujte požadavky na telefon, základní jednotku a cloud pro vámi zvolené jazyky.
- Jaký zvukový režim je během překladu aktivní? Maximální podporovaný formát kodeku je něco jiného než skutečný proud z mikrofonu.
- Jak pozná, že promluva skončila? Automatická detekce ticha, dotykové ovládání a inkrementální výstup působí v rozhovoru odlišně.
- Můžete otestovat své nastavení? Vyzkoušejte překrývající se mluvčí, hluk na pozadí a připojení, které budete skutečně mít.
Často kladené otázky
Proč je před tím, než překladová sluchátka promluví, pauza?
Produkt může čekat na detekci konce promluvy, dokončení rozpoznávání řeči, překlad textu, syntézu zvuku a jeho odeslání zpět k přehrání. Velikost každého kroku se liší podle produktu a připojení.
Potřebují překladová sluchátka k fungování telefon?
Mnoho modelů používá doprovodnou aplikaci v telefonu, ale některé používají samostatnou základní jednotku nebo vlastní připojení. Zkontrolujte konkrétní model a režim; samotné sluchátko vám neřekne, kde probíhá zpracování.
Ovlivňuje Bluetooth přesnost překladu?
Může. Když je aktivní mikrofon náhlavní soupravy Bluetooth Classic, hostitel může používat monofonní profil hands-free místo svého kvalitnějšího profilu přehrávání. Záleží také na umístění mikrofonu, hluku a zvoleném zvukovém režimu.
Jaký je rozdíl mezi HFP a LE Audio u překladových sluchátek?
Bluetooth Classic HFP podporuje současné monofonní snímání mikrofonu a přehrávání. LE Audio poskytuje novější architekturu a kodek LC3, ale zvukový formát a aktivní funkce závisí na obou zařízeních a jejich konfiguraci.
Fungují překladová sluchátka bez připojení k internetu?
Jen pokud konkrétní zařízení nebo doprovodná aplikace podporuje požadované offline jazykové modely. Model, který spoléhá na cloudovou službu, potřebuje připojení, i když se sluchátka mohou stále párovat přes Bluetooth.
Vyzkoušejte mikrofon telefonu nebo notebooku
MirrorCaption nabízí živý přepis a překlad v prohlížeči s jednou hodinou zdarma a bez platební karty. Použijte mikrofon, který už máte, a porovnejte pracovní postup přímého snímání s nastavením vašich sluchátek.
Začít zdarma