Valodas noteicējs vienmēr sniedz atbildi, pat uz klepu. Atstājiet noteikšanu ieslēgtu tīram vai jauktu valodu audio, bet nosauciet valodu, kad runā viena valoda pāri troksnim vai spēcīgam akcentam.
Katrai transkripcijai sākas jautājums, ko lasītājs nekad neredz: kāda valoda šī ir? Ja atbilde ir nepareiza, pārējais cauruļvads cītīgi strādā, lai ražotu plūstošu nesaprātu. Šajā rakstā paskaidrots, ko valodas noteicējs klausās, kā noteikšana darbojas tiešraides audio un failiem un kad valodu labāk nosaukt pašam.
Valodas noteicējs nesaprot, ko tiek runāts. Tas vērtē pašu skaņu: līdzskaņu un patskaņu kopumu, zilbju uzsvaru, frāžu ritmu un īsos, bieži lietotos vārdus, uz kuriem balstās katra valoda. Spāņu valodai ir savs patskaņu kopums un ritms; holandiešu un vācu valoda daudz ko dala, bet atšķiras dažās skaņās. Dažas sekundes skaidras runas parasti pietiek, lai tās atšķirtu.
Daudzi atpazinēji to dara kā blakusproduktu, atpazīstot vārdus. Tie nosaka valodu pēc audio sākuma kā varbūtību katrai zināmajai valodai. No šāda dizaina izriet divas lietas. Varbūtības vienmēr dod kopā vienu, tāpēc nav atbildes „nekāda valoda”: klusums, klepus vai mūzikas signāls arī saņem valodu, bieži ar pārliecinošu vērtējumu. Turklāt lēmums tiek pieņemts pēc sākuma, kas ir sliktākais iespējamais paraugs. Daudzi ieraksti sākas ar sveicieniem, vārdiem un vietvārdiem, kas nes ļoti maz valodas signāla: „Labrīt, Maria, laipni lūgti Berlīnē” ir gandrīz tikpat vāciski, cik angliski. Citi sākas ar klusumu vai klepu, un detektors, kam jālemj par to, nolems tik un tā – pārliecinoši, bez jebkāda pamata. Tas notiek arī reālā audio: rumāņu sprediķis, kas sākas ar telpas troksni un frāzi „Bună dimineața”, var pilnīgi pārliecinoši tikt sadzirdēts kā itāļu „Buona domenica”.
Nepareizas atbildes cena ir lielāka, nekā šķiet. Atpazinējs, kas dekodē nepareizā valodā, neizlabo pareizrakstību – tas pārraksta. „For God so loved the world”, dekodēts kā rumāņu valoda, kļuva par „Forgot to love the world”. Rumāņu „mândria slujește”, dekodēts kā angļu valoda, kļuva par „Pride serves”, kas ir precīzs tulkojums teikumam, kuru neviens nebija lūdzis tulkot. Vārdi ir plūstoši, un transkriptā nekas neliecina, ka kaut kas nav kārtībā; tieši tas padara kļūdu dārgu.
Visbiežāk detektorus maldina pieci faktori:
Kurš no šiem faktoriem jūs ietekmē, atkarīgs no tā, vai audio nāk tiešraidē vai jau ir failā.
Tiešraides transkripcijai nav visa ieraksta, ko skatīt. Audio nāk, kamēr tiek runāts, un transkriptam jānāk līdzi. Tāpēc valoda tiek noteikta, kamēr runātājs runā, un seko, ja viņš pārslēdzas. To nozīmē piezīme zem Spoken language slēdža, kad VocalStack vadības panelī sākat tiešraides transkripciju: runātāja valoda tiek noteikta automātiski, un viņš var to pārslēgt jebkurā brīdī.
Pārslēgšanās tiek apstiprināta, pirms to piemēro, tāpēc viens troksnains fragments nepārnes transkriptu citā valodā. Vājā vieta ir sākums: ja pirmie vārdi ir troksnaina sveiciena frāze, pirmā rindiņa var izrādīties nepareizā valodā. Lai no tā izvairītos, nosauciet valodu.
Faili darbojas citādi, jo viss ieraksts jau ir pieejams.
Fails ir labāks uzdevums: nav jāuzticas pirmajām sekundēm. Failam valoda tiek noteikta pēc viss ieraksta, tāpēc troksnains sveiciens sākumā to nevar izšķirt.
Faila valoda joprojām ir darba pieņēmums, nevis spriedums. Ieraksts, kas patiešām maina valodu kaut kur vidū, piemēram, intervija, kas otrajā pusē no angļu pāriet rumāņu valodā, tiek sekots, nevis piespiests, un ieraksts, kas visā laikā mijas starp valodām, arī tiek apstrādāts.
Detektors, kas lemj vienreiz un nekad neatskatās, ir pārliecināts nepareizajā vietā.
Neviens detektors daudz nepalīdz, ja viss ieraksts ir trokšņains. Noteikšana ir noklusējums, jo tā ir pareiza vairumā gadījumu un nemaksā neko. Dažiem ierakstiem tomēr valoda ir jānosauc, un vadības panelis norāda, kuriem: runātās valodas nosaukšana uzlabo precizitāti trokšņainos ierakstos un spēcīgu akcentu gadījumā.
Tieši šajos gadījumos detektoram ir vismazāk, ar ko strādāt. Troksnis noņem pazīmes, no kurām detektors ir atkarīgs; spēcīgs akcents tās nobīda uz citas valodas pusi; tuvs valodu pāris sākotnēji piedāvā maz pazīmju. Angļu valodas runātāju ar spēcīgu portugāļu akcentu reverberējošā zālē no skaņas vien ir grūti noteikt, un, ja detektors viņu nosaka nepareizi, transkripts pārvērš angļu runu portugāļu valodā, kamēr kļūda turpinās. Valodas nosaukšana noņem jautājumu, tāpēc visas pūles tiek veltītas vārdiem.
Īss kontrolsaraksts:
Valodas nosaukšana ir transkripcijas iestatījums, nevis jūsu konta iestatījums, tāpēc varat lemt katram ierakstam atsevišķi. Viss iepriekš minētais saistās ar vienu API opciju.
spokenLanguage nozīmē noteikšanu; session.update straumēšanas laikāAPI spokenLanguage ir valodas kods, piemēram, en; ja to izlaiž, valoda tiek noteikta. Tas parādās faila vai saites transkripcijas settings un reāllaika sesijas opcijās. Noteikšana un nosaukšana aptver tās pašas 100 valodas. Tulkošana uz līdz 10 no tām ir atsevišķa izvēle, un tā nav atkarīga no tā, kura valoda tika noteikta vai nosaukta. Tas, kā tulkošana seko runai, ir atsevišķa tēma: Tiešraides tulkošanas latentums, paskaidrots.
{ "name": "Board meeting", "settings": { "spokenLanguage": "en", "speakerLabels": "auto" } }
Reāllaika sesija pieņem to pašu opciju, kad tā tiek izveidota, un to var mainīt, kamēr plūst audio. session.update teksta kadrs ar jaunu spokenLanguage attiecas uz runu no šī brīža; ja iestata "" vai "auto", sesija atgriežas noteikšanā, un nepazīts kods tiek ignorēts. Subtitru skats ar valodas pogu var ļaut operatoram nosaukt valodu tajā brīdī, kad viņš ievēro nepareizu pirmo rindiņu, bez atkārtota savienojuma.
{ "type": "session.update", "spokenLanguage": "ro" }
Valodu kodu saraksts ar nosaukumiem atrodams GET /v1/languages, kam atslēga nav vajadzīga. Pilnā reāllaika plūsma, sākot ar sesijas izveidi jūsu serverī līdz drafts un commits lasīšanai, aprakstīta rakstā Reāllaika transkripcija pa WebSocket, bet interaktīvā atsauce ir pieejama vietnē {{api}}/docs. Vadības panelī tā pati izvēle ir Spoken language slēdzis, kad sākat jaunu transkripciju, un API atslēgas atrodamas sadaļā Developers.