Keeletuvastaja annab alati vastuse, isegi köhimisele. Jäta tuvastus sisse puhta või mitmekeelse heli puhul ja nimeta keel, kui üht keelt räägitakse müra või tugeva aktsendi keskel.
Iga transkriptsioon algab küsimusega, mida lugeja ei näe: mis keeles see on? Kui sellele valesti vastata, siis töötab ülejäänud torujuhe kõvasti, et toota sujuvat jama. See artikkel selgitab, mida keeletuvastaja kuulab, kuidas tuvastus käitub otse-heli ja failide puhul ning millal on parem keel ise nimetada.
Keeletuvastaja ei mõista, mida öeldakse. Ta vaatab helile endale: kaashäälikute ja täishäälikute koosseisu, silbirõhke, lausete rütmi ning lühikesi sagedasi sõnu, millele iga keel toetub. Hispaania keelel on oma täishäälikute süsteem ja rütm; hollandi ja saksa keel jagavad väga palju, aga lahknevad mõne häälikuga. Mõne sekundi selget kõnet piisab tavaliselt, et need eristada.
Paljud tuvastajad teevad seda sõnade äratundmise kõrvalsaadusena. Nad otsustavad keele audio algusest, tõenäosusena iga neile tuntud keele kohta. Sellest disainist järgneb kaks asja. Tõenäosused annavad alati kokku ühe, nii et vastust „keelt pole” ei ole: vaikus, köha või muusikakatke saab samuti keele, sageli koos kindla skoori küljes. Ja otsus tehakse algusest, mis on halvim võimalik proov. Paljud salvestised algavad tervitustega, nimede ja kohanimedega, mis kannavad väga vähe keele tunnust: „Good morning, Maria, welcome to Berlin” on peaaegu sama saksakeelne kui inglisekeelne. Teised algavad vaikuse või köhaga, ja tuvastaja, kellelt seda küsitakse, otsustab ikkagi kindlalt põhjal, mida pole olemas. Ka päris heli teeb seda: rumeenia jutlus, mis algab ruumi mürast ja sõnadega „Bună dimineața”, võib täiesti kindlalt kõlada itaaliakeelse „Buona domenica”-na.
Vale vastuse hind on samuti halvem, kui kõlab. Tuvastaja, mis dekodeerib vales keeles, ei kirjuta valesti; ta kirjutab ümber. „For God so loved the world”, dekodeerituna rumeenia keeles, tuli välja kui „Forgot to love the world”. Rumeenia „mândria slujește”, dekodeerituna inglise keeles, tuli välja kui „Pride serves”, mis on täpne tõlge lausest, mida keegi tõlkida ei palunud. Sõnad on sujuvad ja transkriptsioonis pole märkigi, et midagi on valesti, ja see teebki vea kalliks.
Viis asja petavad tuvastajaid kõige sagedamini:
Kumb neist sind tabab, sõltub sellest, kas heli tuleb otse või on juba failis.
Otsetranskriptsiooni puhul pole tervet salvestist, mida vaadata. Heli saabub nagu see räägitakse ja transkript peab saabuma koos sellega. Seetõttu tuvastatakse keel kõneleja rääkimise ajal ja seda jälgitakse, kui ta vahetab. See on see, mida märkus jaotises Spoken language tähendab, kui alustad töölaual otsetranskriptsiooni: kõneleja keel tuvastatakse automaatselt ja ta võib seda igal ajal vahetada.
Lülitus kinnitatakse enne rakendamist, nii et üks müraline katkend ei lohista transkripti teise keelde. Nõrk koht on algus: kui esimesed sõnad on müraline tervitus, võib esimene rida tulla valesti keeles. Keele nimetamine väldib seda.
Failid töötavad teisiti, sest kogu salvestis on juba olemas.
Fail on parem ülesanne: algusesekundeid ei pea usaldama. Faili puhul otsustatakse keel kogu salvestise põhjal, nii et müraline tervitus alguses ei suuda keelt paika panna.
Faili keel on siiski töötav eeldus, mitte lõplik otsus. Salvestist, mis muudab keelt keskel, näiteks intervjuud, mis liigub teise poole inglise keelest rumeenia keelde, jälgitakse, mitte ei sunnita; ja salvestist, mis vaheldumisi keeli vahetab kogu ulatuses, käsitletakse samuti.
Tuvastaja, mis otsustab korra ja ei vaata kunagi tagasi, on kindel vales kohas.
Kui kogu salvestis on müraline, ei aita ükski tuvastaja eriti. Tuvastus on vaikimisi, sest see on enamasti õige ja ei maksa midagi. Mõne salvestise puhul tuleks aga keel nimetada, ja töölaud ütleb, millised need on: keele nimetamine parandab täpsust mürarikastel salvestistel ja tugevate aktsentide korral.
Need on juhud, kus tuvastusel on kõige vähem materjali. Müra kustutab vihjed, millele tuvastaja toetub; tugev aksent nihutab need teise keele poole; lähedaste keelte paar pakub algusest peale vähe vihjeid. Inglise keelt kõneleja, kellel on tugev portugali aksent ja kes räägib kajavas saalis, on heli järgi raske paigutada, ja kui tuvastaja paigutab ta valesti, muudab transkript inglise kõne portugali keeleks nii kaua, kui viga kestab. Keele nimetamine eemaldab küsimuse, nii et kogu pingutus läheb sõnadele.
Lühike kontrollnimekiri:
Keele nimetamine on transkriptsiooni seadistus, mitte konto oma, nii et saad otsustada iga salvestise üle eraldi. Kõik eespool öeldu taandub ühele API-valikule.
spokenLanguage puudumine tähendab tuvastust; session.update voo keskelAPI-s on spokenLanguage keelekood, näiteks en; kui jätad selle välja, tuvastatakse keel. See esineb faili- või lingitranskriptsiooni settings-is ja reaalajas seansi valikutes. Tuvastus ja nimetamine katavad samu 100 keelt. Tõlge kuni 10 neist keelest on eraldi valik ja ei sõltu sellest, milline keel tuvastati või nimetati. Kuidas tõlge kõnega sammu peab, on teemaks artiklis Reaalajas tõlke viivitus selgitatult.
{ "name": "Board meeting", "settings": { "spokenLanguage": "en", "speakerLabels": "auto" } }
Reaalajas seanssi saab sama valiku, kui seanss luuakse, ja seda saab muuta, kui heli voolab. session.update tekstiraam uue spokenLanguage-iga rakendub edaspidisele kõnele; kui see seada väärtusele "" või "auto", läheb seanss tagasi tuvastusele, ja toetamata kood ignoreeritakse. Subtiitrivaade keele-nupuga võib lasta operaatoril nimetada keele hetkel, kui ta näeb valet esimest rida, ilma uuesti ühendamata.
{ "type": "session.update", "spokenLanguage": "ro" }
Koodide loend koos nimedega on aadressil GET /v1/languages, mis ei vaja võtit. Täielik reaalajavoog, alates seansi loomisest sinu serveris kuni mustandite ja lõplike lõikude lugemiseni, on artiklis Reaalajas transkribeerimine WebSocketi kaudu ja interaktiivne viide on aadressil {{api}}/docs. Töölaual on sama valik lüliti Spoken language, kui alustad uut transkriptsiooni, ja API võtmed asuvad jaotises Developers.