Dil aşkarlayıcısı hər zaman cavab verir, hətta öskürəyə də. Səs təmiz və ya bir neçə dilli olduqda aşkarlamanı açıq saxlayın, bir dil səs-küy və ya güclü aksent fonunda danışılanda isə dili özünüz göstərin.
Hər transkripsiya oxucunun görmədiyi bir sualla başlayır: bu hansı dildir? Bu suala yanlış cavab verilsə, sistemin qalan hissəsi səy göstərərək səlis, lakin mənasız mətn yaradır. Bu məqalə dil aşkarlayıcısının nəyə qulaq asdığını, aşkarlamanın canlı səsdə və fayllarda necə davrandığını və dili özünüz göstərmək nə zaman daha yaxşı olduğunu izah edir.
Dil aşkarlayıcısı deyilənləri başa düşmür. O, səsin özünə baxır: samitlər və saitlərin dəsti, vurğunun necə qoyulması, cümlələrin ritmi və hər dilin dayandığı qısa, tez-tez işlənən sözlər. İspan dilinin öz sait sistemi və ritmi var; holland və alman dilləri çox şey paylaşır, lakin bir neçə səsdə ayrılır. Bir neçə saniyəlik aydın nitq onları ayırmaq üçün adətən kifayət edir.
Bir çox tanıyıcı bunu sözləri tanımanın yan məhsulu kimi edir. Dili səsin əvvəlindən, tanıdıqları hər dil üzrə ehtimal kimi müəyyən edirlər. Bu dizaynın iki nəticəsi var. Ehtimallar həmişə birə bərabərdir, buna görə "heç bir dil" cavabı yoxdur: sükut, öskürək və ya musiqi zərbəsi də dil alır, çox vaxt özünə inamlı bir balla. İkincisi, qərar əvvəldən verilir və bu, ən pis nümunənin seçilməsidir. Çox yazılar salamlaşma, ad və yer adları ilə başlayır ki, bunlar dil haqqında çox az məlumat daşıyır: "Sabah xeyir, Maria, Berlinə xoş gəlmisiniz" ingilis dilində olduğu qədər alman dilinə də yaxındır. Digərləri sükut və ya öskürəklə başlayır, bu zaman aşkarlayıcıdan qərar tələb olunduqda o, heç nə olmadan, yenə də inamla qərar verir. Real səsdə də belə olur: səs-küy və "Bună dimineața" ilə başlayan rumın xütbəsi tam əminliklə italyan dilindəki "Buona domenica" kimi eşidilə bilər.
Yanlış cavabın dəyəri də göründüyündən daha ağırdır. Yanlış dildə dekodlaşdıran tanıyıcı yalnız səhv yazmır; o, yenidən yazır. "For God so loved the world" rumın dilində dekodlaşdırılanda "Forgot to love the world" çıxdı. Rumın "mândria slujește" ifadəsi ingilis dilində dekodlaşdırılanda "Pride serves" oldu, bu isə heç kimin tərcümə etdirmək istəmədiyi cümlənin dəqiq tərcüməsidir. Sözlər səlisdir və transkriptdə heç bir əlamət yoxdur ki, nəsə səhvdir; məhz buna görə bu səhv bahalıdır.
Dil aşkarlayıcılarını ən çox aldadan beş şey:
Bunlardan hansının sizə təsir etdiyi səsin canlı gəldiyinə və ya artıq faylda olduğuna görə dəyişir.
Canlı transkripsiya üçün bütün yazıya baxmaq imkanı yoxdur. Səs danışıldıqca gəlir və transkript onunla birlikdə gəlməlidir. Buna görə dil danışan zaman aşkarlanır və danışan dili dəyişdikdə izlənir. Bu, canlı transkripsiyanı İdarə panelində başlatanda Spoken language açarının altındakı qeydin mənasıdır: danışanın dili avtomatik aşkarlanır və o, istənilən vaxt dil dəyişə bilər.
Dəyişiklik tətbiq olunmazdan əvvəl təsdiqlənir, beləliklə bir səs-küylü hissə transkripti başqa dilə sürükləmir. Zəif yer başlanğıcdır: ilk sözlər səs-küylü salamlaşmadırsa, ilk sətir səhv dildə çıxa bilər. Dili göstərmək bunun qarşısını alır.
Fayllar fərqli işləyir, çünki bütün yazı artıq əlçatandır.
Fayl daha asan məsələdir: ilk saniyələrə güvənməyə ehtiyac yoxdur. Fayl üçün dil bütöv yazıdan müəyyən edilir, buna görə səs-küylü bir salamlaşma onu həll edə bilməz.
Faylın dili hələ də bir işçi fərziyyədir, son hökm deyil. Yazı yarısında həqiqətən dil dəyişirsə, məsələn müsahibə ikinci yarısında ingilis dilindən rumın dilinə keçirsə, o, məcburən deyil, izlənilir. Bütün yazı boyu dillər arasında növbələşən yazı da idarə olunur.
Bir dəfə qərar verən və heç vaxt geri baxmayan aşkarlayıcı yanlış yerdə əminlik göstərir.
Bütün yazı səs-küylü olduqda heç bir aşkarlayıcı çox kömək etmir. Aşkarlama defolt seçimdir, çünki əksər hallarda düzgündür və sizə heç nəyə başa gəlmir. Bəzi yazılar üçün isə dili göstərməlisiniz və bunları İdarə paneli bildirir: danışılan dilin göstərilməsi səs-küylü yazılarda və güclü aksentlərdə dəqiqliyi artırır.
Bunlar aşkarlayıcının işləmək üçün ən az materialının olduğu hallardır. Səs-küy aşkarlayıcının təyin etdiyi işarələri silir; güclü aksent onları başqa dilə doğru dəyişdirir; yaxın qohum dil cütü isə əvvəldən az işarəyə malikdir. Güclü portuqal aksenti ilə ingilis dilində danışan və əks-səda olan zalda çıxış edən biri səsə görə çətin yerləşdirilir və əgər aşkarlayıcı onu səhv yerləşdirsə, səhvin davam etdiyi müddətcə transkript ingilis dilindəki nitqi portuqal dilinə çevirir. Dili göstərmək sualı aradan qaldırır, beləliklə bütün səy sözlərə yönəlir.
Qısa yoxlama siyahısı:
Dilin göstərilməsi hesabınızın deyil, transkripsiyanın parametridir, beləliklə hər yazı üçün ayrıca qərar verə bilərsiniz. Yuxarıdakıların hamısı bir API seçiminə gəlib çıxır.
spokenLanguage olmadıqda aşkarlanır; axın ortasında session.updateAPI-də spokenLanguage en kimi dil kodudur; onu buraxsanız dil aşkarlanır. O, fayl və ya keçid transkripsiyasının settings hissəsində və real vaxt sessiyasının seçimlərində görünür. Aşkarlama və göstərmə eyni 100 dili əhatə edir. Tərcümə onlardan ən çox 10-una mümkündür və bu ayrıca seçimdir; aşkarlanmış və ya göstərilmiş dildən asılı deyil. Tərcümənin nitqlə necə ayaqlaşdığı Canlı tərcümənin gecikməsi izah olunur məqaləsinin mövzusudur.
{ "name": "Board meeting", "settings": { "spokenLanguage": "en", "speakerLabels": "auto" } }
Real vaxt sessiyası bu seçimi yaradılarkən qəbul edir və audio axarkən onu dəyişə bilərsiniz. Yeni spokenLanguage ilə session.update mətn çərçivəsi nitqə yalnız bundan sonra tətbiq olunur; onu "" və ya "auto" etmək sessiyanı yenidən aşkarlamaya qaytarır, dəstəklənməyən kod isə nəzərə alınmır. Dil düyməsi olan subtitr görünüşü operatora, səhv ilk sətri gördüyü anda, yenidən qoşulmadan dili göstərmək imkanı verə bilər.
{ "type": "session.update", "spokenLanguage": "ro" }
Kodların siyahısı adları ilə birlikdə GET /v1/languages-də yerləşir və açar tələb etmir. Serverinizdə sessiya yaratmaqdan tutmuş qaralama və təsdiqlənmiş mətnləri oxumağa qədər tam real vaxt axını WebSocket üzərindən real vaxt transkripsiyası məqaləsindədir, interaktiv istinad isə {{api}}/docs ünvanındadır. İdarə panelində eyni seçim yeni transkripsiya başladarkən Spoken language açarıdır, API üçün açarlar isə Developers altındadır.