Детекторот на јазик секогаш дава одговор, дури и на кашлица. Оставете откривањето вклучено за чисто или мешано аудио, а наведете го јазикот кога еден јазик се зборува преку бучава или силен акцент.
Секоја транскрипција започнува со прашање што читателот никогаш не го гледа: на кој јазик е ова? Ако се погреши, остатокот од системот напорно работи на производство на течна бессмислица. Оваа статија објаснува што детекторот на јазик слуша, како се однесува откривањето за живи преноси и за датотеки и кога е подобро самите да го наведете јазикот.
Детекторот на јазик не разбира што се вели. Го гледа самиот звук: составот на сугласки и самогласки, како се нагласени слоговите, ритамот на фразите и кратките, честите зборови на кои се потпира секој јазик. Шпанскиот има свој сет самогласки и свој ритам; холандскиот и германскиот многу делат, но се разликуваат во неколку гласови. Неколку секунди јасен говор обично е доволно за да се разликуваат.
Многу препознавачи го прават ова како нус-производ од препознавањето на зборовите. Јазикот го одредуваат од почетокот на аудиото, како веројатност за секој јазик што го познаваат. Две работи произлегуваат од таков дизајн. Веројатностите секогаш даваат збир од еден, па нема одговор „нема јазик“: тишина, кашлица или музички удар добиваат јазик, често со уверен резултат. А одлуката се носи од почетокот, што е најлош примерок што може да се избере. Многу снимки започнуваат со поздрави, имиња и топоними, кои носат многу малку јазичен сигнал: „Good morning, Maria, welcome to Berlin“ е речиси толку германски колку и англиски. Други започнуваат со тишина или кашлица, а детекторот што мора да одлучи таму ќе одлучи и покрај тоа, со сигурност, за речиси ништо. И вистинското аудио се однесува така: романска проповед што започнува со бучава во просторијата и „Bună dimineața“ лесно може да се слушне како италијанското „Buona domenica“, со целосна сигурност.
Цената на погрешниот одговор е полоша отколку што звучи. Препознавач што декодира на погрешен јазик не греши во правописот; тој препишува. „For God so loved the world“, декодирано како романски, испадна „Forgot to love the world“. Романската „mândria slujește“, декодирана како англиски, испадна „Pride serves“, што е точен превод на реченица што никој не побарал да се преведе. Зборовите се течни, а транскриптот не дава никаков знак дека нешто не е во ред, и токму затоа грешката е скапа.
Пет работи најчесто ги мамат детекторите:
Кое од овие ве погодува зависи од тоа дали аудиото пристигнува во живо или веќе е снимено во датотека.
За транскрипција во живо нема цела снимка за да се погледне. Аудиото пристигнува како што се зборува, а транскриптот мора да пристигне заедно со него. Затоа јазикот се открива додека говорникот зборува и се следи ако тој смени јазик. Ова е значењето на белешката под прекинувачот Spoken language кога ќе започнете транскрипција во живо во контролната табла: јазикот на говорникот се открива автоматски, а тој може да смени во секое време.
Промената се потврдува пред да се примени, па едно бучно парче не го поместува транскриптот на друг јазик. Слабата точка е почетокот: ако првите зборови се бучен поздрав, првата линија може да излезе на погрешен јазик. Наведувањето јазик го избегнува тоа.
Датотеките работат поинаку, бидејќи целата снимка е веќе таму.
Датотеката е полесен проблем: нема потреба да им се верува на првите секунди. За датотека, јазикот се одредува од снимката во целост, па бучен поздрав на почетокот не може да го реши.
Јазикот на датотеката сепак е работна претпоставка, а не конечна пресуда. Снимка што навистина менува јазик подолу во текот, на пример интервју што од англиски преминува на романски во својата втора половина, се следи наместо да се принуди, а онаа што наизменично ги менува јазиците низ целото траење исто така е обработена.
Детектор што одлучува еднаш и никогаш не се враќа назад е сигурен на погрешно место.
Ниту еден детектор не помага многу кога целата снимка е бучна. Откривањето е стандардно, бидејќи во најголем дел од случаите е точно и не ве чини ништо. За некои снимки, сепак, треба да го наведете јазикот, а контролната табла кажува кои се тоа: наведувањето на говорниот јазик ја подобрува точноста кај бучни снимки и силни акценти.
Тоа се случаите каде што детекторот има најмалку на што да се потпре. Бучавата ги отстранува сигналите од кои зависи детекторот; силниот акцент ги поместува кон друг јазик; блиско сроден пар нуди малку сигнали од самиот почеток. Англиски говорник со силен португалски акцент во реверберантна сала тешко може да се определи само од звукот, а ако детекторот погреши, транскриптот ќе го претвори англискиот говор во португалски сè додека трае грешката. Наведувањето на јазикот го отстранува прашањето, па целиот труд оди во зборовите.
Краток список:
Наведувањето јазик е поставка на транскрипцијата, а не на вашата сметка, па можете да одлучувате за секоја снимка посебно. Сè погоре се сведува на една опција во API.
spokenLanguage изоставено значи откривање; session.update додека аудиото течеВо API, spokenLanguage е јазичен код, како en; ако го изоставите, јазикот се открива. Се појавува во settings на транскрипција на датотека или линк и во опциите на сесија во реално време. Откривањето и наведувањето ги опфаќаат истите 100 јазици. Преводот на до 10 од нив е посебен избор и не зависи од тоа кој јазик бил откриен или наведен. Како преводот го следи темпото на говорот е опишано во Доцнењето на живиот превод, објаснето.
{ "name": "Board meeting", "settings": { "spokenLanguage": "en", "speakerLabels": "auto" } }
Сесијата во реално време ја прима истата опција кога ќе се создаде, а можете да ја смените додека аудиото тече. Текстуалната рамка session.update со нова spokenLanguage важи за говорот од тој момент натаму; ако ја поставите на "" или "auto", сесијата се враќа на откривање, а неподдржан код се игнорира. Прегледот на титлови со копче за јазик може да му овозможи на операторот да го наведе јазикот во моментот кога ќе види погрешна прва линија, без повторно поврзување.
{ "type": "session.update", "spokenLanguage": "ro" }
Списокот на кодови, со нивните имиња, е на GET /v1/languages, за кој не е потребен клуч. Целиот тек во реално време, од создавање сесија на вашиот сервер до читање на нацрти и потврдени делови, е опишан во Транскрипција во реално време преку WebSocket, а интерактивната референца е на {{api}}/docs. Во контролната табла, истиот избор е прекинувачот Spoken language кога ќе започнете нова транскрипција, а клучевите за API се под Developers.