Tungumálagreining gefur alltaf svar, jafnvel við hósta. Hafðu greininguna á fyrir hreint eða blandað tal, og tilgreindu tungumálið þegar eitt tungumál er talað yfir hávaða eða með sterkum hreim.
Sérhver umritun hefst á spurningu sem lesandinn sér aldrei: hvaða tungumál er þetta? Ef hún er röng vinnur restin af ferlinu af kappi að því að framleiða reiprennandi þvætting. Þessi grein útskýrir hvað tungumálagreinir hlustar eftir, hvernig greiningin virkar fyrir hljóð í beinni og fyrir skrár, og hvenær þú ert betur settur með að tilgreina tungumálið sjálfur.
Tungumálagreinir skilur ekki hvað er sagt. Hann horfir á hljóðið sjálft: birgðir samhljóða og sérhljóða, hvernig áherslur liggja á atkvæðum, hrynjandi setninganna og stuttu, tíðu orðin sem hvert tungumál reiðir sig á. Spænska hefur sitt eigið sérhljóðakerfi og hrynjandi; hollenska og þýska eiga margt sameiginlegt en skilja að á fáeinum hljóðum. Nokkrar sekúndur af skýru tali duga yfirleitt til að greina þau í sundur.
Mörg greiningartæki gera þetta sem aukaafurð þess að þekkja orðin. Þau ákveða tungumálið út frá upphafi hljóðsins, sem líkindi fyrir hvert tungumál sem þau þekkja. Tvennt leiðir af þessari hönnun. Líkindin leggjast alltaf saman í eitt, þannig að ekkert svar um „ekkert tungumál“ er til: þögn, hósti eða tónbútur fær líka tungumál, oft með öruggri einkunn. Og ákvörðunin er tekin út frá upphafinu, sem er versta sýnishornið sem hægt er að velja. Mörg upptökur byrja á kveðjum, nöfnum og staðarnöfnum, sem bera mjög lítið tungumálamerki: „Góðan daginn, María, velkomin til Berlínar“ er næstum því jafn þýskt og enskt. Aðrar byrja á þögn eða hósta, og greinir sem er beðinn um að ákveða út frá þeim mun ákveða samt, af öryggi og án nokkurs grunns. Raunverulegt hljóð gerir þetta líka: rúmensk predikun sem byrjar á herbergishljóði og „Bună dimineața“ getur auðveldlega heyrst sem ítalska „Buona domenica“, með fullri vissu.
Kostnaðurinn af röngu svari er líka verri en hann hljómar. Greinir sem afkóðar á röngu tungumáli stafsetur ekki vitlaust; hann endurskrifar. „For God so loved the world“, afkóðað sem rúmenska, kom út sem „Forgot to love the world“. Rúmenska setningin „mândria slujește“, afkóðuð sem enska, kom út sem „Pride serves“, sem er nákvæm þýðing á setningu sem enginn bað um að yrði þýdd. Orðin eru reiprennandi og uppskriftin gefur engin merki um að neitt sé að, og það er það sem gerir villuna dýra.
Fimm atriði blekkja greina oftast:
Hvort þessara atriða bítur þig fer eftir því hvort hljóðið berst í beinni útsendingu eða er þegar til í skrá.
Fyrir umritun í beinni er engin heil upptaka til að skoða. Hljóðið berst eftir því sem talað er, og uppskriftin þarf að berast með því. Tungumálið er því greint meðan mælandinn talar og fylgt eftir ef hann skiptir um tungumál. Þetta er það sem athugasemdin undir rofanum Spoken language þýðir þegar þú byrjar umritun í beinni í stjórnborðinu: tungumál mælandans er greint sjálfkrafa og hann getur skipt um það hvenær sem er.
Skipti er staðfest áður en það er tekið gilt, þannig að einn hávaðabútur dregur ekki uppskriftina yfir á annað tungumál. Veiki punkturinn er upphafið: ef fyrstu orðin eru hávaðasöm kveðja gæti fyrsta línan komið á röngu tungumáli. Með því að tilgreina tungumálið er því komið í veg fyrir.
Skrár virka öðruvísi, því öll upptakan er þegar til staðar.
Skrá er auðveldara viðfangsefni: það þarf ekki að treysta fyrstu sekúndunum. Fyrir skrá er tungumálið ákveðið út frá allri upptökunni, þannig að hávaðasöm kveðja í upphafi getur ekki ráðið úrslitum.
Tungumál skrárinnar er samt vinnuforsenda, ekki endanlegur úrskurður. Upptaka sem skiptir raunverulega um tungumál um miðbik, eins og viðtal sem fer úr ensku yfir í rúmensku í síðari helmingnum, er elt uppi frekar en þvinguð, og upptaka sem skiptir á milli tungumála allan tímann er líka afgreidd.
Greinir sem ákveður einu sinni og lítur aldrei til baka er öruggur á röngum stað.
Greinir hjálpar lítið þegar öll upptakan er hávaðasöm. Greining er sjálfgefin því hún hefur rétt fyrir sér í flestum tilvikum og kostar þig ekkert. Fyrir sumar upptökur ættirðu þó að tilgreina tungumálið, og stjórnborðið segir hvaða upptökur það eru: að nefna talaða tungumálið bætir nákvæmnina á hávaðasömum upptökum og við sterka hreima.
Þetta eru tilfellin þar sem greinirinn hefur minnst til að vinna með. Hávaði fjarlægir vísbendingarnar sem greinirinn byggir á; sterkur hreimur færir þær í átt að öðru tungumáli; náskylt par býður upp á fáar vísbendingar í upphafi. Enskumælandi ræðumaður með sterkan portúgalskan hreim í hljómmiklum sal er erfiður að staðsetja út frá hljóðinu einu saman, og ef greinirinn staðsetur hann vitlaust breytir uppskriftin enskri ræðu í portúgölsku meðan mistökin vara. Að nefna tungumálið tekur spurninguna af borðinu, þannig að öll vinnan fer í orðin.
Stuttur gátlisti:
Að tilgreina tungumálið er stilling á umrituninni, ekki á reikningnum þínum, þannig að þú getur ákveðið það fyrir hverja upptöku. Allt ofangreint kemur niður á einum valkosti í API-inu.
spokenLanguage sem vantar þýðir að greina; session.update meðan straumurinn er í gangiÍ API-inu er spokenLanguage tungumálakóði eins og en; sleppirðu honum er tungumálið greint. Hann birtist í settings fyrir skrá- eða tengilumritun og í valkostum rauntímasetu. Greining og tilgreining ná yfir sömu 100 tungumálin. Þýðing yfir á allt að 10 þeirra er sérstakt val og fer ekki eftir því hvaða tungumál var greint eða tilgreint. Hvernig þýðingin heldur í við talið er efni í Töf þýðingar í beinni útskýrð.
{ "name": "Board meeting", "settings": { "spokenLanguage": "en", "speakerLabels": "auto" } }
Rauntímasetu tekur sama valkost þegar hún er stofnuð, og þú getur breytt honum á meðan hljóð berst. Textarammi session.update með nýju spokenLanguage gildir um tal frá því augnabliki; ef þú setur gildið "" eða "auto" fer setan aftur í greiningu, og ótækur kóði er hunsaður. Myndatexta-sýn með tungumálahnappi getur gert stjórnandanum kleift að nefna tungumálið um leið og hann sér ranga fyrstu línu, án þess að tengjast aftur.
{ "type": "session.update", "spokenLanguage": "ro" }
Listi yfir kóðana, með heitum þeirra, er á GET /v1/languages, sem þarf engan lykil. Rauntímaflæðið, frá því að stofna setu á þjóninum þínum til þess að lesa drög og staðfestingar, er í Rauntímaumritun yfir WebSocket, og gagnvirka tilvísunin er á {{api}}/docs. Í stjórnborðinu er sama val rofinn Spoken language þegar þú byrjar nýja umritun, og lyklar fyrir API-ið eru undir Developers.