Pregunta a un proveedor de subtitulado por la latencia y te dará una cifra de unos pocos cientos de milisegundos. Probablemente sea cierta. También está midiendo algo distinto de lo que a ti te importa, que es el hueco entre que alguien habla y que el público lee.
La cadena tiene cuatro tramos, y la cifra citada suele ser uno
- De voz a texto provisional. Un reconocedor emite palabras provisionales según las oye. Este es el tramo que citan los proveedores, y es el más rápido.
- De provisional a estable. Esas palabras provisionales se reescriben (varias veces por segundo) según el reconocedor se replantea. Una pantalla de sala no puede mostrar texto que se reescribe cuatro veces por segundo, así que muestra solo las palabras que han sobrevivido a un ciclo más. Esa estabilidad cuesta más o menos otro ciclo, y nadie la cita.
- La traducción, si la hay. Una llamada aparte por idioma. La mayoría vuelve rápido; la cola no, y por eso un sistema bien construido lanza un segundo proveedor al lado del primero en vez de después de él.
- La entrega. A una pantalla, o a todos los móviles de la sala. En el camino del móvil, esto escala con el tamaño del público.
Una cifra que solo cubre el tramo uno no es falsa. Es la especificación de un componente, como dar la apertura de un objetivo como si fuera el tiempo de exposición.
Mide lo que vive el público
Dos números, los dos tomados de punta a punta:
Sin traducir: de la voz a la pantalla. Di una palabra conocida en un momento conocido y cronometra cuándo es legible en la salida. Como referencia, medido a través de nuestro propio servicio desplegado: 718 ms de mediana y 1.038 ms en el percentil 95. El objetivo del producto es por debajo de 1,5 s.
Traducido: de la voz a un móvil en otro idioma. Otra cifra, porque hay un tramo entero de más. Nuestra última medición, de la palabra al subtítulo traducido en la pantalla de la sala: unos 1,7 s de mediana, y 2,5 s en el caso más lento de cada diez. El móvil suma su propio salto encima.
Usa el percentil 95, no la media. La media la dominan los casos fáciles; la cola es lo que nota el público, y la cola es donde aparecen un traductor de respaldo o una red congestionada.
Dos resultados contraintuitivos que conviene conocer
Un salto de relé puede salir gratis, o mejor que gratis. Dábamos por hecho que pasar el audio por nuestro propio borde costaba tiempo, y lo medimos: 718 ms a través del servicio desplegado frente a 749 ms yendo directos al proveedor. Era 31 ms más rápido, porque un borde en la nube tiene mejor camino hasta el proveedor que una línea doméstica. No des por hecho que un salto de más es un coste: mídelo.
La difusión escala con la sala. La entrega a los móviles en el percentil 95 midió 1,5 s con mil conexiones y 2,3 s con cinco mil. Todo llega con cualquier tamaño. Simplemente llega más tarde. Y por eso la recomendación honesta es de quinientas a mil personas por evento: no la cifra que el sistema aguanta, sino aquella en la que sigue cumpliendo su propia promesa.
Qué preguntarle a un proveedor
- ¿Tu cifra cubre de la voz a visible en pantalla, o solo el reconocedor?
- ¿Mediana o percentil 95? Si dicen «media», vuelve a preguntar.
- ¿Cuál es la cifra traducida, por separado?
- ¿Cómo se midió, y a través de qué? Una cifra tomada en un laboratorio con conexión por cable y con el audio del propio proveedor no es una cifra de un recinto.
Y la cosa que conviene comprobar tú mismo, porque ningún número la captura: mira cómo llega el texto. Palabras que aparecen en grupos de tres o cuatro, una vez por segundo, se leen como lentas aunque la medición diga lo contrario. Una línea que aterriza de golpe es una línea que la sala no puede leer al ritmo del ponente. La latencia es el número; la legibilidad es la experiencia, y no son lo mismo.