’n Taalbepaler gee altyd ’n antwoord, selfs op ’n hoes. Laat bespeuring aan vir skoon of gemengde oudio, en noem die taal wanneer een taal oor geraas of ’n swaar aksent gepraat word.
Elke transkripsie begin met ’n vraag wat die leser nooit sien nie: watter taal is dit? Kry dit verkeerd, en die res van die proses werk hard om vloeiende nonsens te produseer. Hierdie artikel verduidelik waarna ’n taalbepaler luister, hoe bespeuring optree vir regstreekse oudio en vir lêers, en wanneer jy beter af is as jy self die taal noem.
’n Taalbepaler verstaan nie wat gesê word nie. Dit kyk na die klank self: die inventaris van medeklinkers en klinkers, hoe lettergrepe beklemtoon word, die ritme van die frases, en die kort, gereelde woorde waarop elke taal leun. Spaans het sy eie klinkerstel en ritme; Nederlands en Duits deel baie, maar verskil op ’n handjie klanke. ’n Paar sekondes duidelike spraak is gewoonlik genoeg om hulle uit mekaar te hou.
Baie herkenners doen dit as ’n neweproduk van die herkenning van die woorde. Hulle besluit die taal uit die begin van die oudio, as ’n waarskynlikheid vir elke taal wat hulle ken. Twee dinge volg uit daardie ontwerp. Die waarskynlikhede tel altyd tot een op, dus is daar geen antwoord “geen taal” nie: stilte, ’n hoes of ’n musiekstootjie kry ook ’n taal, dikwels met ’n selfversekerde telling daaraan. En die besluit word uit die begin geneem, wat die swakste monster is wat jy kon kies. Baie opnames begin met groete, name en plekname, wat baie min taalsein dra: “Good morning, Maria, welcome to Berlin” is byna net so Duits as Engels. Ander begin met stilte of ’n hoes, en ’n bepaler wat daaroor moet besluit, sal tog besluit, met selfvertroue, op niks nie. Ook regte oudio doen dit: ’n Roemeense preek wat met kamergeraas en “Bună dimineața” begin, kan met volkome sekerheid as Italiaanse “Buona domenica” gehoor word.
Die koste van ’n verkeerde antwoord is ook erger as wat dit klink. ’n Herkenner wat in die verkeerde taal dekodeer, verkeerspel nie; hy herskryf. “For God so loved the world”, as Roemeens gedekodeer, het “Forgot to love the world” geword. Die Roemeense “mândria slujește”, as Engels gedekodeer, het “Pride serves” geword, wat ’n akkurate vertaling is van ’n sin wat niemand gevra het om vertaal te word nie. Die woorde is vloeiend, en die transkripsie gee geen teken dat iets verkeerd is nie. Dit is wat die fout duur maak.
Vyf dinge mislei bepalers die meeste:
Watter van hierdie jou tref, hang af daarvan of die oudio regstreeks aankom of reeds in ’n lêer sit.
Vir ’n regstreekse transkripsie is daar geen hele opname om na te kyk nie. Die oudio kom aan soos dit gepraat word, en die transkripsie moet saam daarmee aankom. Die taal word dus bespeur soos die spreker praat, en gevolg as hulle wissel. Dit is wat die nota onder die Spoken language-skakelaar beteken wanneer jy in die dashboard ’n regstreekse transkripsie begin: die spreker se taal word outomaties bespeur, en hulle mag enige tyd wissel.
’n Wisseling word bevestig voordat dit toegepas word, sodat een geraasagtige stukkie nie die transkripsie na ’n ander taal toe sleep nie. Die swak plek is die begin: as die eerste woorde ’n geraasagtige groet is, kan die eerste lyn in die verkeerde taal verskyn. Die taal te noem, vermy dit.
Lêers werk anders, omdat die hele opname al daar is.
’n Lêer is ’n beter probleem: daar is geen behoefte om die eerste sekondes te vertrou nie. Vir ’n lêer word die taal besluit uit die hele opname, sodat ’n geraasagtige groet aan die begin dit nie kan vasspyker nie.
Die lêer se taal is steeds ’n werkaanname, nie ’n uitspraak nie. ’n Opname wat regtig halfpad van taal verander, soos ’n onderhoud wat in die tweede helfte van Engels na Roemeens beweeg, word gevolg eerder as gedwing, en een wat deurgaans tussen tale wissel, word ook hanteer.
’n Bepaler wat eenmaal besluit en nooit terugkyk nie, is selfversekerd op die verkeerde plek.
Geen bepaler help veel as die hele opname raserig is nie. Bespeuring is die standaard, omdat dit meestal reg is en jou niks kos nie. Vir sommige opnames moet jy egter die taal noem, en die dashboard sê watter, want om die gesproke taal te noem verbeter akkuraatheid op rumoerige opnames en by swaar aksente.
Dit is die gevalle waar bespeuring die minste het om mee te werk. Geraas verwyder die leidrade waarop ’n bepaler staatmaak; ’n swaar aksent verskuif hulle na ’n ander taal toe; ’n nou verwante paar bied van die begin af min leidrade. ’n Engelssprekende persoon met ’n sterk Portugese aksent in ’n galmende saal is moeilik om uit die klank alleen te plaas, en as die bepaler hulle verkeerd plaas, verander die transkripsie Engelse spraak in Portugees solank die fout duur. Die taal te noem haal die vraag weg, sodat al die moeite na die woorde gaan.
’n Kort kontrolelys:
Die taal noem is ’n instelling van die transkripsie, nie van jou rekening nie, so jy kan per opname besluit. Alles hierbo kom neer op een API-opsie.
spokenLanguage beteken bespeur; session.update midde-in die stroomIn die API is spokenLanguage ’n taalkode soos en; laat dit weg, en die taal word bespeur. Dit verskyn in die settings van ’n lêer- of skakeltranskripsie en in die opsies van ’n regstreekse sessie. Bespeuring en noem dek dieselfde 100 tale. Vertaling in tot 10 daarvan is ’n aparte keuse, en dit hang nie af van watter taal bespeur of genoem is nie. Hoe vertaling by die spraak bly, is die onderwerp van Vertraging van regstreekse vertaling, verduidelik.
{ "name": "Board meeting", "settings": { "spokenLanguage": "en", "speakerLabels": "auto" } }
’n Regstreekse sessie neem dieselfde opsie wanneer dit geskep word, en jy kan dit verander terwyl oudio vloei. ’n session.update-teksraam met ’n nuwe spokenLanguage is van toepassing op spraak vanaf dan; die instelling op "" of "auto" stel die sessie terug op bespeuring, en ’n ongesteunde kode word geïgnoreer. ’n Onderskrifaansig met ’n taalknoppie kan die operateur toelaat om die taal te noem sodra hulle ’n verkeerde eerste lyn sien, sonder om weer te koppel.
{ "type": "session.update", "spokenLanguage": "ro" }
Die lys kodes, met hul name, is by GET /v1/languages, wat geen sleutel benodig nie. Die volledige regstreekse vloei, van die skep van ’n sessie op jou bediener tot die lees van konsepte en bevestigings, is in Regstreekse transkripsie oor ’n WebSocket, en die interaktiewe verwysing is by {{api}}/docs. In die dashboard is dieselfde keuse die Spoken language-skakelaar wanneer jy ’n nuwe transkripsie begin, en sleutels vir die API lê onder Developers.