ಸ್ವಯಂಚಾಲಿತ ಭಾಷಾ ಪತ್ತೆ ಸ್ಪೀಚ್ ರೆಕಗ್ನಿಷನ್‌ನಲ್ಲಿ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ, ಮತ್ತು ಆಗಲೂ ಭಾಷೆಯನ್ನು ಯಾವಾಗ ಹೆಸರಿಸಬೇಕು

ಭಾಷಾ ಪತ್ತೆಕಾರಕ ಯಾವಾಗಲೂ ಉತ್ತರ ನೀಡುತ್ತದೆ, ಕೆಮ್ಮಿಗೂ ಸಹ. ಸ್ಪಷ್ಟ ಅಥವಾ ಹಲವು ಭಾಷೆಗಳ ಆಡಿಯೊಗೆ ಪತ್ತೆಯನ್ನು ಚಾಲನೆಯಲ್ಲಿಡಿ; ಒಂದೇ ಭಾಷೆ ಶಬ್ದ ಅಥವಾ ಭಾರವಾದ ಉಚ್ಚಾರಣೆಯ ಮೇಲೆ ಮಾತನಾಡಿದಾಗ ಅದನ್ನು ಹೆಸರಿಸಿ.

ಪ್ರತಿ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ಒಂದು ಪ್ರಶ್ನೆಯಿಂದ ಆರಂಭವಾಗುತ್ತದೆ, ಅದನ್ನು ಓದುಗರು ಎಂದಿಗೂ ನೋಡುವುದಿಲ್ಲ: ಇದು ಯಾವ ಭಾಷೆ? ಅದನ್ನು ತಪ್ಪಾಗಿ ಗುರುತಿಸಿದರೆ, ಉಳಿದ ಪೈಪ್‌ಲೈನ್ ಸರಾಗವಾಗಿ ಓದಬಹುದಾದ ಅರ್ಥವಿಲ್ಲದ ಪಠ್ಯವನ್ನು ಉತ್ಪಾದಿಸಲು ಶ್ರಮಿಸುತ್ತದೆ. ಭಾಷಾ ಪತ್ತೆಕಾರಕ ಏನನ್ನು ಗಮನಿಸುತ್ತದೆ, ಲೈವ್ ಆಡಿಯೊ ಮತ್ತು ಫೈಲ್‌ಗಳಿಗೆ ಪತ್ತೆ ಹೇಗೆ ವರ್ತಿಸುತ್ತದೆ, ಮತ್ತು ನೀವೇ ಭಾಷೆಯನ್ನು ಹೆಸರಿಸುವುದು ಯಾವಾಗ ಉತ್ತಮ ಎಂಬುದನ್ನು ಈ ಲೇಖನ ವಿವರಿಸುತ್ತದೆ.

ಪತ್ತೆಕಾರಕ ಏನನ್ನು ಗಮನಿಸುತ್ತದೆ, ಮತ್ತು ಶುಭಾಶಯ ಕೆಟ್ಟ ಮಾದರಿ ಏಕೆ

ಭಾಷಾ ಪತ್ತೆಕಾರಕ ಹೇಳಲಾಗುತ್ತಿರುವುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದಿಲ್ಲ. ಅದು ಧ್ವನಿಯನ್ನೇ ನೋಡುತ್ತದೆ: ವ್ಯಂಜನ ಮತ್ತು ಸ್ವರಗಳ ಸಂಗ್ರಹ, ಪದಾಂಶಗಳ ಒತ್ತಡ, ವಾಕ್ಯಗಳ ಲಯ, ಮತ್ತು ಪ್ರತಿ ಭಾಷೆಯೂ ಅವಲಂಬಿಸುವ ಚಿಕ್ಕ, ಆಗಾಗ ಬರುವ ಪದಗಳು. ಸ್ಪ್ಯಾನಿಷ್‌ಗೆ ತನ್ನದೇ ಆದ ಸ್ವರ ಗುಂಪು ಮತ್ತು ಲಯವಿದೆ; ಡಚ್ ಮತ್ತು ಜರ್ಮನ್ ಬಹಳಷ್ಟನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತವೆ, ಆದರೆ ಕೆಲವು ಧ್ವನಿಗಳಲ್ಲಿ ಬೇರೆಯಾಗುತ್ತವೆ. ಕೆಲವು ಸೆಕೆಂಡುಗಳ ಸ್ಪಷ್ಟ ಮಾತು ಸಾಮಾನ್ಯವಾಗಿ ಅವುಗಳನ್ನು ಬೇರ್ಪಡಿಸಲು ಸಾಕು.

ಅನೇಕ ಗುರುತಿಸುವಿಕೆ ವ್ಯವಸ್ಥೆಗಳು ಇದನ್ನು ಪದಗಳನ್ನು ಗುರುತಿಸುವ ಕ್ರಿಯೆಯ ಉಪಉತ್ಪನ್ನವಾಗಿ ಮಾಡುತ್ತವೆ. ಅವು ತಿಳಿದಿರುವ ಪ್ರತಿ ಭಾಷೆಗೆ ಸಂಭವನೀಯತೆಯಾಗಿ ಭಾಷೆಯನ್ನು ನಿರ್ಧರಿಸುತ್ತವೆ. ಇದರ ವಿನ್ಯಾಸದಿಂದ ಎರಡು ವಿಷಯಗಳು ಅನುಸರಿಸುತ್ತವೆ. ಸಂಭವನೀಯತೆಗಳ ಮೊತ್ತ ಯಾವಾಗಲೂ ಒಂದೇ ಆಗಿರುತ್ತದೆ, ಆದ್ದರಿಂದ "ಯಾವ ಭಾಷೆಯೂ ಇಲ್ಲ" ಎಂಬ ಉತ್ತರ ಇರುವುದಿಲ್ಲ: ಮೌನ, ಕೆಮ್ಮು ಅಥವಾ ಸಂಗೀತದ ತುಣುಕಿಗೂ ಒಂದು ಭಾಷೆ ದೊರೆಯುತ್ತದೆ, ಆಗಾಗ ಆತ್ಮವಿಶ್ವಾಸದ ಅಂಕದೊಂದಿಗೆ. ಮತ್ತು ನಿರ್ಧಾರ ಆರಂಭದ ಭಾಗದಿಂದಲೇ ತೆಗೆದುಕೊಳ್ಳಲ್ಪಡುತ್ತದೆ, ಇದು ಮಾದರಿ ಆಯ್ಕೆ ಮಾಡಲು ಅತ್ಯಂತ ಕೆಟ್ಟ ಭಾಗ. ಅನೇಕ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳು ಶುಭಾಶಯಗಳು, ಹೆಸರುಗಳು ಮತ್ತು ಸ್ಥಳನಾಮಗಳಿಂದ ಆರಂಭವಾಗುತ್ತವೆ, ಅವುಗಳಲ್ಲಿ ಭಾಷಾ ಸಂಕೇತ ಬಹಳ ಕಡಿಮೆ ಇರುತ್ತದೆ: "Good morning, Maria, welcome to Berlin" ಇಂಗ್ಲಿಷ್ ಎಷ್ಟು ಇದೆಯೋ ಅಷ್ಟೇ ಜರ್ಮನ್ ಆಗಿದೆ. ಇತರವು ಮೌನ ಅಥವಾ ಕೆಮ್ಮಿನಿಂದ ಆರಂಭವಾಗುತ್ತವೆ, ಮತ್ತು ಅದರ ಮೇಲೆ ನಿರ್ಧರಿಸಲು ಕೇಳಿದ ಪತ್ತೆಕಾರಕ ಏನೂ ಇಲ್ಲದ ಮೇಲೆ ಆತ್ಮವಿಶ್ವಾಸದಿಂದ ನಿರ್ಧರಿಸುತ್ತದೆ. ನೈಜ ಆಡಿಯೊದಲ್ಲಿಯೂ ಇದು ನಡೆಯುತ್ತದೆ: ಕೋಣೆಯ ಶಬ್ದ ಮತ್ತು "Bună dimineața" ದಿಂದ ಆರಂಭವಾಗುವ ರೊಮೇನಿಯನ್ ಪ್ರವಚನವನ್ನು, ಸಂಪೂರ್ಣ ನಿಶ್ಚಿತತೆಯೊಂದಿಗೆ, ಇಟಾಲಿಯನ್ "Buona domenica" ಎಂದು ಸುಲಭವಾಗಿ ಕೇಳಬಹುದು.

ತಪ್ಪು ಉತ್ತರದ ವೆಚ್ಚ ಕಾಣುವುದಕ್ಕಿಂತ ಕೆಟ್ಟದು. ತಪ್ಪು ಭಾಷೆಯಲ್ಲಿ ಡಿಕೋಡ್ ಮಾಡುವ ಗುರುತಿಸುವಿಕೆ ಅಕ್ಷರದೋಷ ಮಾಡುವುದಿಲ್ಲ; ಅದು ಮರುಬರೆಯುತ್ತದೆ. "For God so loved the world" ಅನ್ನು ರೊಮೇನಿಯನ್ ಆಗಿ ಡಿಕೋಡ್ ಮಾಡಿದಾಗ "Forgot to love the world" ಆಯಿತು. ಇಂಗ್ಲಿಷ್ ಆಗಿ ಡಿಕೋಡ್ ಮಾಡಿದ ರೊಮೇನಿಯನ್ "mândria slujește" "Pride serves" ಆಯಿತು, ಅದು ಯಾರೂ ಅನುವಾದಿಸಲು ಕೇಳದ ವಾಕ್ಯದ ನಿಖರ ಅನುವಾದ. ಪದಗಳು ಸರಾಗವಾಗಿರುತ್ತವೆ ಮತ್ತು ಪ್ರತಿಲೇಖನದಲ್ಲಿ ಏನೋ ತಪ್ಪಾಗಿದೆ ಎಂಬ ಯಾವ ಸೂಚನೆಯೂ ಇರುವುದಿಲ್ಲ, ಇದೇ ದೋಷವನ್ನು ದುಬಾರಿ ಮಾಡುತ್ತದೆ.

ಪತ್ತೆಕಾರಕಗಳನ್ನು ಹೆಚ್ಚಾಗಿ ಮೋಸಗೊಳಿಸುವ ಐದು ವಿಷಯಗಳು:

• ಶಬ್ದ. ಹಿನ್ನೆಲೆ ಗುನುಗು, ಕೆಟ್ಟ ಮೈಕ್ರೋಫೋನ್ ಅಥವಾ ಮೇಜಿನ ಮೇಲಿನ ಫೋನ್ ಒಂದು ಭಾಷೆಯನ್ನು ಇನ್ನೊಂದರಿಂದ ಬೇರ್ಪಡಿಸುವ ಧ್ವನಿಗಳನ್ನೇ ಮಸುಕುಗೊಳಿಸುತ್ತವೆ.
• ಚಿಕ್ಕ ಅಥವಾ ತಟಸ್ಥ ಆರಂಭಗಳು. ಶುಭಾಶಯ, ಹೆಸರು ಅಥವಾ ಸಂಖ್ಯೆ ಮೇಲೆ ಹೇಳಿದ ಕಾರಣಗಳಿಂದ ಕಳಪೆ ಮಾದರಿ; ಎಷ್ಟೇ ಸ್ಪಷ್ಟವಾಗಿದ್ದರೂ, ಕೆಲವೇ ಸೆಕೆಂಡುಗಳ ತುಣುಕುಗಳ ಮೇಲೆ ನಿಖರತೆ ತೀವ್ರವಾಗಿ ಕುಸಿಯುತ್ತದೆ.
• ನಿಕಟ ಸಂಬಂಧಿ ಭಾಷೆಗಳು. ತಮ್ಮ ಧ್ವನಿ ವ್ಯವಸ್ಥೆಯ ಬಹುಭಾಗವನ್ನು ಹಂಚಿಕೊಳ್ಳುವ ಜೋಡಿಗಳು — ಉದಾಹರಣೆಗೆ ಸರ್ಬಿಯನ್ ಮತ್ತು ಕ್ರೊಯೇಷಿಯನ್, ಹಿಂದಿ ಮತ್ತು ಉರ್ದು, ಮಲಯ ಮತ್ತು ಇಂಡೋನೇಷಿಯನ್, ಅಥವಾ ಡ್ಯಾನಿಶ್ ಮತ್ತು ನಾರ್ವೇಜಿಯನ್ — ಇವುಗಳಲ್ಲಿ ಪತ್ತೆ ದುರ್ಬಲವಾಗಿರುತ್ತದೆ, ಏಕೆಂದರೆ ಅದು ಗಮನಿಸುವ ಸೂಚನೆಗಳನ್ನು ಆ ಭಾಷೆಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಹಂಚಿಕೊಳ್ಳುತ್ತವೆ.
• ಭಾರವಾದ ಉಚ್ಚಾರಣೆಗಳು. ಉಚ್ಚಾರಣೆ ಸ್ವರಗಳು ಮತ್ತು ಲಯವನ್ನು ಇನ್ನೊಂದು ಭಾಷೆಯ ಕಡೆಗೆ ಬದಲಾಯಿಸುತ್ತದೆ, ಮತ್ತು ಪತ್ತೆಕಾರಕ ಅವುಗಳನ್ನು ಹಿಂಬಾಲಿಸಿ ಅಲ್ಲಿಗೆ ಹೋಗುತ್ತದೆ.
• ಕೋಡ್-ಸ್ವಿಚಿಂಗ್. ಅನೇಕ ಜನರು ಒಂದೇ ಸಂಭಾಷಣೆಯೊಳಗೆ, ಕೆಲವೊಮ್ಮೆ ಒಂದೇ ವಾಕ್ಯದೊಳಗೆ, ಎರಡು ಭಾಷೆಗಳ ನಡುವೆ ಚಲಿಸುತ್ತಾರೆ. ಆರಂಭದಲ್ಲಿ ಒಮ್ಮೆ ನಿರ್ಧರಿಸಿ ಮುಂದೆ ನೋಡದ ಪತ್ತೆಕಾರಕ, ಇನ್ನೊಂದು ಭಾಷೆಯಲ್ಲಿ ಹೇಳಿದ ಎಲ್ಲದಕ್ಕೂ ತಪ್ಪಾಗಿರುತ್ತದೆ.

ಈ ಯಾವುದು ನಿಮಗೆ ತೊಂದರೆ ಕೊಡುತ್ತದೆ ಎಂಬುದು ಆಡಿಯೊ ನೇರವಾಗಿ ಬರುತ್ತಿದೆಯೇ ಅಥವಾ ಈಗಾಗಲೇ ಫೈಲ್‌ನಲ್ಲಿದೆಯೇ ಎಂಬುದನ್ನು ಅವಲಂಬಿಸಿದೆ.

ಲೈವ್: ಮಾತಿನೊಂದಿಗೆ ಪತ್ತೆ ಮಾಡಿ; ಮಾತನಾಡುವವರು ಭಾಷೆ ಬದಲಿಸಬಹುದು

ಲೈವ್ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್‌ಗೆ ಸಂಪೂರ್ಣ ರೆಕಾರ್ಡಿಂಗ್ ನೋಡಲು ಇರುವುದಿಲ್ಲ. ಆಡಿಯೊ ಮಾತನಾಡುತ್ತಿದ್ದಂತೆಯೇ ಬರುತ್ತದೆ, ಮತ್ತು ಪ್ರತಿಲೇಖನವೂ ಅದರೊಂದಿಗೇ ಬರಬೇಕು. ಆದ್ದರಿಂದ ಮಾತನಾಡುವವರು ಮಾತನಾಡುತ್ತಿದ್ದಂತೆ ಭಾಷೆಯನ್ನು ಪತ್ತೆ ಮಾಡಲಾಗುತ್ತದೆ, ಮತ್ತು ಅವರು ಬದಲಿಸಿದರೆ ಅದನ್ನು ಹಿಂಬಾಲಿಸಲಾಗುತ್ತದೆ. ನೀವು ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನಲ್ಲಿ ಲೈವ್ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ಆರಂಭಿಸುವಾಗ Spoken language ಸ್ವಿಚ್ ಕೆಳಗಿನ ಟಿಪ್ಪಣಿ ಇದನ್ನೇ ಅರ್ಥೈಸುತ್ತದೆ: ಮಾತನಾಡುವವರ ಭಾಷೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಪತ್ತೆ ಮಾಡಲಾಗುತ್ತದೆ, ಮತ್ತು ಅವರು ಯಾವುದೇ ಸಮಯದಲ್ಲಿ ಬದಲಿಸಬಹುದು.

ಬದಲಾವಣೆಯನ್ನು ಅನ್ವಯಿಸುವ ಮೊದಲು ದೃಢೀಕರಿಸಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಒಂದು ಶಬ್ದದ ತುಣುಕು ಪ್ರತಿಲೇಖನವನ್ನು ಇನ್ನೊಂದು ಭಾಷೆಗೆ ಎಳೆಯುವುದಿಲ್ಲ. ದುರ್ಬಲ ತಾಣ ಆರಂಭವೇ: ಮೊದಲ ಪದಗಳು ಶಬ್ದದಿಂದ ಕೂಡಿದ ಶುಭಾಶಯವಾಗಿದ್ದರೆ, ಮೊದಲ ಸಾಲು ತಪ್ಪು ಭಾಷೆಯಲ್ಲಿ ಬರಬಹುದು. ಭಾಷೆಯನ್ನು ಹೆಸರಿಸುವುದರಿಂದ ಇದನ್ನು ತಪ್ಪಿಸಬಹುದು.

ಫೈಲ್‌ಗಳು ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತವೆ, ಏಕೆಂದರೆ ಸಂಪೂರ್ಣ ರೆಕಾರ್ಡಿಂಗ್ ಈಗಾಗಲೇ ಇದೆ.

ಫೈಲ್‌ಗಳು: ಸಂಪೂರ್ಣ ರೆಕಾರ್ಡಿಂಗ್ ಲಭ್ಯವಿದೆ

ಫೈಲ್ ಒಂದು ಉತ್ತಮ ಸಮಸ್ಯೆ: ಮೊದಲ ಕೆಲವು ಸೆಕೆಂಡುಗಳನ್ನು ನಂಬುವ ಅಗತ್ಯವಿಲ್ಲ. ಫೈಲ್‌ಗೆ, ಭಾಷೆಯನ್ನು ಇಡೀ ರೆಕಾರ್ಡಿಂಗ್‌ನಿಂದ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಆರಂಭದ ಶಬ್ದದ ಶುಭಾಶಯ ಅದನ್ನು ನಿರ್ಧರಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.

ಫೈಲ್‌ನ ಭಾಷೆ ಇನ್ನೂ ಕೆಲಸದ ಊಹೆಯೇ ಹೊರತು ತೀರ್ಪಲ್ಲ. ನಿಜವಾಗಿಯೂ ಮಧ್ಯದಲ್ಲಿ ಭಾಷೆ ಬದಲಾಗುವ ರೆಕಾರ್ಡಿಂಗ್ — ಉದಾಹರಣೆಗೆ ಮೊದಲಾರ್ಧದಲ್ಲಿ ಇಂಗ್ಲಿಷ್ ಮತ್ತು ದ್ವಿತೀಯಾರ್ಧದಲ್ಲಿ ರೊಮೇನಿಯನ್‌ಗೆ ಬದಲಾಗುವ ಸಂದರ್ಶನ — ಬಲವಂತವಾಗಿ ಒಂದೇ ಭಾಷೆಗೆ ಸೇರಿಸದೆ ಅನುಸರಿಸಲಾಗುತ್ತದೆ, ಮತ್ತು ಭಾಷೆಗಳ ನಡುವೆ ಪದೇ ಪದೇ ಬದಲಾಗುವ ರೆಕಾರ್ಡಿಂಗ್ ಕೂಡ ನಿಭಾಯಿಸಲ್ಪಡುತ್ತದೆ.

ಒಮ್ಮೆ ನಿರ್ಧರಿಸಿ ಹಿಂತಿರುಗಿ ನೋಡದ ಪತ್ತೆಕಾರಕ ತಪ್ಪಾದ ಸ್ಥಳದಲ್ಲಿ ಆತ್ಮವಿಶ್ವಾಸದಿಂದ ಇರುತ್ತದೆ.

ಭಾಷೆಯನ್ನು ಯಾವಾಗ ಹೆಸರಿಸಬೇಕು

ಸಂಪೂರ್ಣ ರೆಕಾರ್ಡಿಂಗ್ ಶಬ್ದದಿಂದ ಕೂಡಿದ್ದರೆ ಯಾವುದೇ ಪತ್ತೆಕಾರಕವೂ ಹೆಚ್ಚು ಸಹಾಯ ಮಾಡುವುದಿಲ್ಲ. ಪತ್ತೆ ಡೀಫಾಲ್ಟ್ ಆಗಿದೆ, ಏಕೆಂದರೆ ಅದು ಹೆಚ್ಚಿನ ಸಮಯ ಸರಿಯಾಗಿರುತ್ತದೆ ಮತ್ತು ನಿಮಗೆ ಯಾವುದೇ ವೆಚ್ಚವಿಲ್ಲ. ಆದರೆ ಕೆಲವು ರೆಕಾರ್ಡಿಂಗ್‌ಗಳಿಗೆ ನೀವು ಭಾಷೆಯನ್ನು ಹೆಸರಿಸಬೇಕು, ಮತ್ತು ಯಾವವು ಎಂಬುದನ್ನು ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ತಿಳಿಸುತ್ತದೆ: ಮಾತನಾಡುವ ಭಾಷೆಯನ್ನು ಹೆಸರಿಸುವುದು ಶಬ್ದದ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳು ಮತ್ತು ಭಾರವಾದ ಉಚ್ಚಾರಣೆಗಳ ಮೇಲಿನ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ.

ಪತ್ತೆಕಾರಕಕ್ಕೆ ಕಡಿಮೆ ಸಾಧನವಿರುವುದು ಈ ಪ್ರಕರಣಗಳಲ್ಲೇ. ಶಬ್ದ ಪತ್ತೆಕಾರಕ ಅವಲಂಬಿಸುವ ಸೂಚನೆಗಳನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ; ಭಾರವಾದ ಉಚ್ಚಾರಣೆ ಅವುಗಳನ್ನು ಇನ್ನೊಂದು ಭಾಷೆಯ ಕಡೆಗೆ ತಿರುಗಿಸುತ್ತದೆ; ನಿಕಟ ಸಂಬಂಧಿ ಜೋಡಿಗೆ ಆರಂಭದಿಂದಲೇ ಕೆಲವೇ ಸೂಚನೆಗಳಿರುತ್ತವೆ. ಪ್ರತಿಧ್ವನಿಸುವ ಸಭಾಂಗಣದಲ್ಲಿ ಭಾರವಾದ ಪೋರ್ಚುಗೀಸ್ ಉಚ್ಚಾರಣೆಯ ಇಂಗ್ಲಿಷ್ ಮಾತನಾಡುವವರನ್ನು ಕೇವಲ ಧ್ವನಿಯಿಂದ ಗುರುತಿಸುವುದು ಕಷ್ಟ, ಮತ್ತು ಪತ್ತೆಕಾರಕ ತಪ್ಪಾಗಿ ಗುರುತಿಸಿದರೆ, ಆ ತಪ್ಪು ಮುಂದುವರಿಯುವವರೆಗೂ ಪ್ರತಿಲೇಖನ ಇಂಗ್ಲಿಷ್ ಮಾತನ್ನು ಪೋರ್ಚುಗೀಸ್ ಆಗಿ ಬದಲಿಸುತ್ತದೆ. ಭಾಷೆಯನ್ನು ಹೆಸರಿಸುವುದು ಪ್ರಶ್ನೆಯನ್ನೇ ತೆಗೆದುಹಾಕುತ್ತದೆ, ಆದ್ದರಿಂದ ಎಲ್ಲಾ ಪ್ರಯತ್ನ ಪದಗಳ ಮೇಲೆಯೇ ಹೋಗುತ್ತದೆ.

ಒಂದು ಚಿಕ್ಕ ಪರಿಶೀಲನಾ ಪಟ್ಟಿ:

1. ಒಂದೇ ಭಾಷೆ, ಸ್ವಚ್ಛ ಆಡಿಯೊ. ಪತ್ತೆಯನ್ನು ಚಾಲನೆಯಲ್ಲಿಡಿ. ಅದು ಭಾಷೆಯನ್ನು ಸರಿಯಾಗಿ ಗುರುತಿಸುತ್ತದೆ, ಮತ್ತು ಬದಲಾಯಿಸುವ ಸ್ವಾತಂತ್ರ್ಯ ನಿಮ್ಮಲ್ಲಿ ಉಳಿಯುತ್ತದೆ.
2. ಒಂದೇ ಭಾಷೆ, ಕಳಪೆ ಆಡಿಯೊ, ಭಾರವಾದ ಉಚ್ಚಾರಣೆ ಅಥವಾ ನಿಕಟ ಸಂಬಂಧಿ ಭಾಷೆ. ಭಾಷೆಯನ್ನು ಹೆಸರಿಸಿ. ಇದು ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನ ಟಿಪ್ಪಣಿ ಕುರಿತಾದ ಪ್ರಕರಣ, ಮತ್ತು ಮೇಲೆ ಹೇಳಿದ ಜೋಡಿಗಳಲ್ಲಿ ಇದು ಹೆಚ್ಚು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
3. ರೆಕಾರ್ಡಿಂಗ್‌ನಲ್ಲಿ ಎರಡು ಅಥವಾ ಹೆಚ್ಚು ಭಾಷೆಗಳು. ಪತ್ತೆಯನ್ನು ಚಾಲನೆಯಲ್ಲಿಡಿ, ಆಗ ಪ್ರತಿ ಭಾಗವನ್ನು ನಿಜವಾಗಿ ಮಾತನಾಡಿದ ಭಾಷೆಯಲ್ಲೇ ಪ್ರತಿಲೇಖಿಸಲಾಗುತ್ತದೆ. ಒಂದು ಭಾಷೆಯನ್ನು ಹೆಸರಿಸಿದರೆ ಇನ್ನೊಂದನ್ನು ಬಲವಂತವಾಗಿ ಅದಕ್ಕೆ ಸೇರಿಸಲಾಗುತ್ತದೆ.
4. ಫೈಲ್‌ನಲ್ಲಿ ಏನಿದೆ ಎಂಬುದರ ಬಗ್ಗೆ ಖಚಿತವಿಲ್ಲ. ಪತ್ತೆಯನ್ನು ಚಾಲನೆಯಲ್ಲಿಡಿ. ಫೈಲ್‌ಗೆ, ಪತ್ತೆ ಇಡೀ ರೆಕಾರ್ಡಿಂಗ್ ಅನ್ನು ನೋಡುತ್ತದೆ.

ಭಾಷೆಯನ್ನು ಹೆಸರಿಸುವುದು ನಿಮ್ಮ ಖಾತೆಯ ಸೆಟ್ಟಿಂಗ್ ಅಲ್ಲ, ಪ್ರತಿಲೇಖನದ ಸೆಟ್ಟಿಂಗ್ ಆಗಿದೆ, ಆದ್ದರಿಂದ ಪ್ರತಿ ರೆಕಾರ್ಡಿಂಗ್‌ಗೂ ನೀವು ನಿರ್ಧರಿಸಬಹುದು. ಮೇಲೆ ಹೇಳಿದ ಎಲ್ಲವೂ ಒಂದೇ API ಆಯ್ಕೆಗೆ ಬರುತ್ತದೆ.

API ಯಲ್ಲಿ: spokenLanguage ಇಲ್ಲದಿದ್ದರೆ ಪತ್ತೆ; ಸ್ಟ್ರೀಮ್ ನಡುವೆ session.update

API ಯಲ್ಲಿ spokenLanguage ಎಂಬುದು en ನಂತಹ ಭಾಷಾ ಕೋಡ್ ಆಗಿದೆ; ಅದನ್ನು ಬಿಟ್ಟರೆ ಭಾಷೆಯನ್ನು ಪತ್ತೆ ಮಾಡಲಾಗುತ್ತದೆ. ಇದು ಫೈಲ್ ಅಥವಾ ಲಿಂಕ್ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್‌ನ settings ಮತ್ತು ರಿಯಲ್‌ಟೈಮ್ ಸೆಷನ್‌ನ ಆಯ್ಕೆಗಳಲ್ಲಿ ಕಾಣಿಸುತ್ತದೆ. ಪತ್ತೆ ಮತ್ತು ಹೆಸರಿಸುವಿಕೆ ಒಂದೇ 100 ಭಾಷೆಗಳನ್ನು ಒಳಗೊಳ್ಳುತ್ತವೆ. ಅವುಗಳಲ್ಲಿ ಗರಿಷ್ಠ 10 ಭಾಷೆಗಳಿಗೆ ಅನುವಾದ ಪ್ರತ್ಯೇಕ ಆಯ್ಕೆ, ಮತ್ತು ಅದು ಯಾವ ಭಾಷೆಯನ್ನು ಪತ್ತೆ ಮಾಡಲಾಯಿತು ಅಥವಾ ಹೆಸರಿಸಲಾಯಿತು ಎಂಬುದನ್ನು ಅವಲಂಬಿಸುವುದಿಲ್ಲ. ಅನುವಾದ ಮಾತಿನೊಂದಿಗೆ ಹೇಗೆ ವೇಗ ಕಾಯ್ದುಕೊಳ್ಳುತ್ತದೆ ಎಂಬುದು ಲೈವ್ ಅನುವಾದದ ವಿಳಂಬ, ವಿವರಿಸಲಾಗಿದೆ ವಿಷಯವಾಗಿದೆ.

{ "name": "Board meeting", "settings": { "spokenLanguage": "en", "speakerLabels": "auto" } }

ರಿಯಲ್‌ಟೈಮ್ ಸೆಷನ್ ಅದೇ ಆಯ್ಕೆಯನ್ನು ರಚಿಸುವಾಗ ಸ್ವೀಕರಿಸುತ್ತದೆ, ಮತ್ತು ಆಡಿಯೊ ಹರಿಯುತ್ತಿರುವಾಗಲೇ ನೀವು ಅದನ್ನು ಬದಲಿಸಬಹುದು. ಹೊಸ spokenLanguage ಇರುವ session.update ಟೆಕ್ಸ್ಟ್ ಫ್ರೇಮ್ ಅದರ ನಂತರದ ಮಾತಿಗೆ ಅನ್ವಯಿಸುತ್ತದೆ; ಅದನ್ನು "" ಅಥವಾ "auto" ಗೆ ಹೊಂದಿಸಿದರೆ ಸೆಷನ್ ಮತ್ತೆ ಪತ್ತೆಗೆ ಮರಳುತ್ತದೆ, ಮತ್ತು ಬೆಂಬಲಿಸದ ಕೋಡ್ ನಿರ್ಲಕ್ಷಿಸಲ್ಪಡುತ್ತದೆ. ಭಾಷೆ ಬಟನ್ ಇರುವ ಕ್ಯಾಪ್ಷನ್ ವೀಕ್ಷಣೆ, ಮೊದಲ ತಪ್ಪು ಸಾಲನ್ನು ನೋಡಿದ ಆಪರೇಟರ್‌ಗೆ ಮರುಸಂಪರ್ಕ ಮಾಡದೆ ಭಾಷೆಯನ್ನು ಹೆಸರಿಸಲು ಅವಕಾಶ ನೀಡಬಹುದು.

{ "type": "session.update", "spokenLanguage": "ro" }

ಕೋಡ್‌ಗಳ ಪಟ್ಟಿ ಮತ್ತು ಅವುಗಳ ಹೆಸರುಗಳು GET /v1/languages ನಲ್ಲಿವೆ; ಇದಕ್ಕೆ ಕೀ ಬೇಕಿಲ್ಲ. ಸೆಷನ್ ರಚಿಸುವುದರಿಂದ ಡ್ರಾಫ್ಟ್‌ಗಳು ಮತ್ತು ಕಮಿಟ್‌ಗಳನ್ನು ಓದುವವರೆಗಿನ ಸಂಪೂರ್ಣ ರಿಯಲ್‌ಟೈಮ್ ಹರಿವು WebSocket ಮೂಲಕ ರಿಯಲ್-ಟೈಮ್ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ನಲ್ಲಿದೆ, ಮತ್ತು ಸಂವಾದಾತ್ಮಕ ಉಲ್ಲೇಖ {{api}}/docs ನಲ್ಲಿದೆ. ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನಲ್ಲಿ, ನೀವು ಹೊಸ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ಆರಂಭಿಸುವಾಗ ಅದೇ ಆಯ್ಕೆ Spoken language ಸ್ವಿಚ್ ಆಗಿದೆ, ಮತ್ತು API ಕೀಗಳು Developers ಅಡಿಯಲ್ಲಿವೆ.