Представляем Speak Mode: AI-перевод голоса, который говорит за вас на встречах

Есть один вполне конкретный болезненный момент, знакомый каждому неносителю языка на многоязычной встрече. Обсуждение идёт быстро. По экрану бегут субтитры. Вы понимаете всё до слова — Gaavala переводит вам вторую сторону уже двадцать минут, и вы следите за разговором дословно. И тут кто-то поворачивается к вам и задаёт прямой вопрос.

И языковой барьер, который до сих пор был односторонним, превращается в стену.

Вы знаете ответ. Вы точно знаете, что хотите сказать. Вы просто не можете сказать это с той же скоростью и точностью на рабочем языке встречи. Вы медлите, смягчаете, упрощаете — и в итоге звучите менее компетентно, чем вы есть. Пока вы собираете аккуратную фразу, разговор уходит дальше.

Мы сделали Speak Mode, чтобы замкнуть этот круг. Со включённым Speak Mode вы говорите на родном языке, а Gaavala произносит ваш переведённый голос во встречу. Остальные участники слышат беглый голос, который в реальном времени доносит ваш ответ на их языке. Вы перестаёте быть тихим человеком в комнате.

Эта статья разбирает, что именно делает Speak Mode, какая единственная кнопка им управляет и какие два жеста она читает, какие два голоса можно выбрать — 69 студийных пресетов или родной клон вашего собственного голоса — и какие компромиссы стоит понимать до того, как включать его на встрече с высокой ценой ошибки.

Что на самом деле делает Speak Mode

Speak Mode — это не дорожка дубляжа, наложенная поверх транскрипта. Это живой двунаправленный голосовой тракт, который работает рядом с уже существующим потоком транскрипции Gaavala.

Когда вы активируете его во время встречи, внутри вашего браузера происходит следующее:

Расширение захватывает аудио вашего микрофона — отдельно от аудио вкладки, которое Gaavala уже захватывает для входящей стороны.
Это аудио передаётся напрямую в Soniox по WebSocket для распознавания речи. Это та же схема прямого подключения к Soniox, которую использует вся остальная Gaavala: аудио не касается нашего бэкенда.
По мере того как Soniox выдаёт зафиксированные токены на вашем исходном языке, расширение собирает их в короткие фразы и отправляет текст на шаг перевода Gaavala для настроенного вами целевого языка.
Переведённый текст передаётся выбранному вами TTS-движку, который синтезирует голосовой фрагмент.
Этот фрагмент отправляется в звонок вместо вашей исходящей микрофонной дорожки, поэтому все слышат переведённый голос так, будто это ваш собственный. Никакого виртуального микрофонного устройства ставить не нужно, и в настройках звука приложения встречи ничего выбирать не приходится, — а пока переведённый голос звучит, ваш настоящий микрофон отключён, чтобы звонок никогда не слышал оба сразу.

Весь цикл работает, пока вы ещё говорите. К моменту, когда вы заканчиваете фразу на своём языке, синтезированный перевод уже звучит на их. Вы не ждёте кнопки «перевести». Вы не делаете между мыслями пауз длиннее обычных.

Одна кнопка, которая читает жест

Реальные встречи не одинаковы, поэтому Speak Mode должен вести себя по-разному, когда вы отстреливаете ответ в одну строку и когда проводите человека по слайду. Большинство инструментов решают это переключателем режимов, который надо выставить до того, как он понадобится, — а значит, в момент, когда нужен другой режим, вы находитесь не в том.

У Gaavala переключателя режимов нет. Кнопка Speak одна, и она читает то, как вы её нажали.

Удерживайте

Удерживайте кнопку — и вы говорите только пока держите. Отпустите, и тракт аккуратно закрывается. Это жест рации, и он безопасный: вы никогда случайно не транслируете реплику в сторону, кашель или момент размышления вслух. Это правильный инстинкт для быстрой вставки, для звонков с высокой ценой ошибки, где точность важнее плавности, и для любой комнаты, где ваш микрофон может поймать голоса, которые вы не собирались переводить.

Удержание работает и с клавиатуры: нажмите и держите пробел примерно треть секунды — и это ведёт себя ровно как удержание кнопки.

Коснитесь

Коснитесь кнопки вместо этого — и откроется 60-секундное окно без помощи рук. Кольцо отсчитывает окно в минутах и секундах и становится янтарным на последних десяти, поэтому вы всегда знаете, сколько от вашей очереди осталось, не глядя на часы. Говорите естественно: Gaavala переводит и озвучивает каждую фразу по ходу, а вы ничего не трогаете.

Два быстрых касания открывают 30-секундное окно — честная длина для короткого подготовленного тезиса. Коснитесь ещё раз во время работающего окна, и оно завершится раньше; иначе оно само закончится на нуле.

Почему это один элемент управления, а не два

Жест, который вы и так делаете, уже кодирует намерение. Короткое нажатие означает «только вот это», касание — «дайте мне отрезок». Ничего не нужно настраивать заранее, ничто не оказывается не в том режиме в нужный момент, и нет горячей клавиши, которую надо назначать или помнить. То свойство безопасности, за которое люди любили push-to-talk, — из комнаты не уходит ничего, кроме того, что вы имели в виду, — по-прежнему в точности верно для удержания.

Голоса: 69 студийных пресетов и ваш собственный

Speak Mode даёт два способа выбрать голос, который услышит встреча. Оба говорят на всех 60 языках, которые переводит Gaavala, и оба остаются на том же прямом пути к Soniox, что и вся остальная Gaavala, — стороннего голосового вендора в цепочке нет.

69 студийных голосов Soniox (вариант Pro по умолчанию)

Студийные голоса Soniox — вариант по умолчанию на Pro и тот, который большинству никогда не приходится менять: 69 многоязычных пресетов, говорящих на всех 60 языках, которые переводит Gaavala, кросс-лингвально, на управляемом ключе — настраивать нечего. Синтез идёт из браузера напрямую в Soniox по той же схеме короткоживущего ключа, что и субтитры, поэтому переведённый текст никогда не проходит через бэкенд Gaavala. Задержка потоковая: голос начинает играть, как только готов первый фрагмент, обычно через секунду-две после фиксации фразы.

Ваш собственный голос (родной клон)

Запишите один раз в боковой панели около 20 секунд собственной речи, и Gaavala построит персональный клон голоса — на базе Soniox, — который говорит на тех же 60 языках, что и студийный голос, но вашим тембром вместо пресета. Эталонный образец хранится зашифрованным, и вы можете удалить его в любой момент на том же экране настроек; само аудио вашей встречи не хранится никогда — ни в этой функции, ни где-либо ещё в Gaavala.

Два варианта разменивают ровно одно: узнаваемость. Студийный голос звучит отполированно и нейтрально с первой же сессии. Ваш собственный клон требует двадцати секунд настройки, а дальше каждый раз звучит безошибочно как вы — полезно, если вы ведёте регулярные звонки с одними и теми же клиентами или коллегами и хотите, чтобы они слышали один и тот же голос из раза в раз.

Как это соотносится с тем, что есть на рынке

Голосовой перевод встреч в реальном времени годами оставался функцией «скоро». Кое-что существует, но ни одно решение не покрывает ту же территорию, что Speak Mode.

Microsoft Teams Interpreter Agent. Microsoft анонсировала для Teams агента-переводчика, который умеет переводить и говорить голосом пользователя. Он работает только в Teams. Он требует лицензии Microsoft 365 Copilot — платной надстройки за место поверх подходящего базового тарифа — и закрыт администраторами tenant, которые должны включить Copilot для организации. Если вы живёте внутри Teams-парка с лицензиями Copilot, это законный вариант. Если вы работаете сразу в Teams, Zoom, Meet и Webex с клиентами вне вашего tenant, он не поможет.
ChatGPT Voice Mode. ChatGPT может вести с вами голосовой разговор и умеет переводить. Чего он не умеет — сидеть внутри вашего звонка в Zoom и говорить от вашего имени с другими участниками. Это персональный голосовой чат-бот, а не голосовой агент для встреч.
Переведённые субтитры Google Meet. У Google Meet есть переведённые субтитры в реальном времени. Они только текстовые. Произносимого вывода на другой стороне нет.
Interprefy, KUDO и корпоративные платформы устного перевода. Это настоящие услуги перевода — в основном с живыми переводчиками, иногда с AI-поддержкой, — с ценой и устройством под крупные конференции и регулируемые отрасли. Это не то, что отдельный консультант добавляет к продажному звонку один на один.

Насколько мы можем судить, на рынке нет инструмента по потребительской цене, который делал бы по-настоящему двусторонний голосовой перевод внутри тех платформ для встреч, которыми люди реально пользуются. Speak Mode — наш ответ на этот пробел.

Кому нужен Speak Mode

Speak Mode — функция Pro, и её цена рассчитана на отдельных специалистов, а не на корпоративные развёртывания. Больше всего из неё извлекают:

Международные консультанты, ведущие проектные звонки с клиентами, чей английский ограничен и которые предпочли бы услышать вас на своём языке, а не продираться через ваш.
Многоязычные тимлиды, подключающиеся к стендапам с распределёнными инженерными командами, где половина команды думает на одном языке, а половина — на другом.
Менеджеры по продажам на зарубежных рынках, где беглый голос на языке клиента меняет и ощущение от звонка, и то, как воспринимается предложение.
Полевые специалисты, связывающие удалённую площадку и головной офис, где цена недопонимания операционная, а не просто социальная.

Если ваши встречи полностью двуязычны в одной паре и все успевают, Speak Mode вам, вероятно, не нужен. Если же есть повторяющийся момент, когда вы или кто-то на другой стороне замолкает из-за одностороннего языкового разрыва, — это та функция, которая этот момент чинит.

Приватность: что меняется, а что нет

Основная архитектура приватности Gaavala не меняется при включении Speak Mode. Входящее аудио встречи по-прежнему передаётся напрямую из вашего браузера в Soniox по WebSocket, который никогда не касается нашего бэкенда. Аудио вашего микрофона для Speak Mode следует той же схеме прямого подключения к Soniox — мы его не видим.

Шаг TTS следует той же схеме для обоих вариантов голоса. Студийные голоса Soniox отправляют переведённый текст из браузера напрямую в Soniox с аутентификацией теми же короткоживущими временными ключами, что и субтитры, — бэкенд Gaavala не видит ни текста, ни аудио. Ваш собственный клонированный голос синтезируется точно так же, с одним осознанным узким исключением выше по потоку: эталонный образец длиной ~20 секунд, который вы записываете для построения клона, хранится зашифрованным (AES-256-GCM) на серверах Gaavala, используется только для построения и поддержания вашего голоса и удаляется по запросу в любой момент. Больше ничто из аудио Speak Mode — ни вход с микрофона, ни аудио встречи, ни синтезированный вывод — не хранится никогда.

Бэкенд Gaavala остаётся вне пути аудио для обоих вариантов голоса. Если вы хотите это проверить, тот же приём с инспекцией сети из нашей статьи о приватности по-прежнему работает: откройте DevTools фоновой страницы расширения, отфильтруйте вкладку Network — и вы увидите прямое соединение с Soniox и ни одного аудиозапроса к gaavala.com.

Как это включить

Speak Mode — функция только для Pro. Бесплатный пробный период Gaavala (одноразовые 5 минут, без кредитной карты, никогда не сбрасывается) Speak Mode не включает, поэтому порядок настройки примерно такой:

Установите Gaavala из Chrome Web Store бесплатно и войдите.
Перейдите на Pro из боковой панели — $19.99 в месяц, без пробного периода: прямой апгрейд в тот момент, когда вам нужен Speak Mode.
Откройте настройки в боковой панели и найдите раздел Speak Mode.
Выберите голос. Студийные голоса Soniox — вариант по умолчанию на Pro, настройки не требуют. Если хотите говорить собственным голосом, выберите "Clone my voice" (Клонировать мой голос) и запишите образец длиной ~20 секунд: Gaavala построит ваш клон, и через мгновение его можно будет выбрать.
Настройте целевой язык встречи. Выбирать режим захвата не нужно — кнопка Speak читает ваш жест, поэтому ничего не приходится решать заранее.

Дальше подключайтесь к встрече. Удерживайте кнопку Speak, когда хотите сказать одну вещь, или коснитесь её ради окна без помощи рук, когда у вас есть отрезок, который нужно донести.

Советы из практики использования

Несколько практических замечаний из разработки и собственного ежедневного использования:

Разогревайтесь удержанием. В первый раз, когда вы услышите свой синтезированный голос во встрече, это будет странно. Первые несколько звонков удерживайте кнопку, прежде чем начинать касаться ради окон без помощи рук. Чувство того, когда делать паузу, насколько громко говорить и как переведённый голос ложится на другой стороне, калибруется быстро — но только если каждая порция под вашим контролем.
Клонируйте только собственный голос. Процесс записи в боковой панели строит клон исключительно из образца, который вы записали сами: пути к клонированию чужого голоса через Speak Mode нет, и шаг согласия внутри приложения это отражает.
Предупреждайте, когда это важно. Если у вашей встречи есть комплаенс-последствия — юридические, медицинские, регулируемые продажи, — скажите второй стороне, что в звонке работает слой голосового перевода в реальном времени. Это тот же этикет, что и предупреждение об инструменте транскрипции.
Оставляйте оригинальный звук включённым. Gaavala по-прежнему подаёт исходное аудио встречи в ваши колонки. Вы должны продолжать слушать и читать входящую сторону. Speak Mode — исходящая половина, а не замена пониманию того, что вам говорят.

Часто задаваемые вопросы

Знает ли встреча, что я этим пользуюсь? Напрямую — нет. Синтезированный голос приходит на другую сторону по тому же микрофонному каналу, которым воспользовались бы вы сами, поэтому ни баннера, ни метаданных нет. Вторая сторона слышит очень беглый голос и может заметить небольшие паузы перед каждым ответом. Мы рекомендуем предупреждать, когда это имеет значение, — см. заметку об этикете выше.

Можно ли использовать клон собственного голоса? Да — нативно, на Pro. Запишите образец длиной ~20 секунд в настройках Speak Mode в боковой панели, и Gaavala построит клон на базе Soniox, который можно выбрать как голос Speak Mode. Отдельный аккаунт или API-ключ не нужны.

Какая задержка? И студийные голоса, и ваш собственный клон используют один и тот же потоковый тракт синтеза с прямым подключением из браузера к Soniox. Ожидайте, что голос начнёт звучать через секунду-две после фиксации фразы: вы не ждёте, пока отрисуется всё предложение, прежде чем встреча что-то услышит.

А если мой целевой язык не английский? Оба варианта голоса уже говорят на всех 60 языках, которые переводит Gaavala, — студийные голоса Soniox и ваш собственный клон работают одинаково независимо от целевого языка, из коробки.

Работает ли это на встречах с Teams Premium? Да. Speak Mode работает на любой встрече, которая идёт во вкладке Chrome, включая Microsoft Teams, Zoom, Google Meet и Webex. Неважно, есть ли у организатора встречи Teams Premium или Copilot. Speak Mode работает на вашей стороне звонка, а не на инфраструктуре хоста встречи.

Попробуйте

Speak Mode доступен прямо сейчас подписчикам Pro. Если вы впервые в Gaavala, начните с одноразового бесплатного пробного периода — 5 минут транскрипции, без кредитной карты, — чтобы сначала оценить входящий перевод. Speak Mode в бесплатный пробный период не входит; перейдите на Pro ($19.99 в месяц, без пробного периода), когда будете готовы открыть исходящую сторону.

Добавить Gaavala в Chrome →

Установите Gaavala из Chrome Web Store бесплатно, затем перейдите на Pro, чтобы открыть Speak Mode.