वाक् पहिचानमा स्वचालित भाषा पहिचान कसरी काम गर्छ, र कहिले भाषा आफैँ तोक्नुपर्छ

भाषा पहिचानकर्ताले सधैँ जवाफ दिन्छ, खोकीलाई पनि। सफा वा मिश्रित भाषाको अडियोमा पहिचान खुला राख्नुहोस्, र एउटै भाषा धमिलो आवाज वा बलियो लवजसहित बोलिएको अवस्थामा भाषाको नाम आफैँ दिनुहोस्।

हरेक ट्रान्सक्रिप्सन एउटा प्रश्नबाट सुरु हुन्छ, जुन पाठकले कहिल्यै देख्दैन: यो कुन भाषा हो? यो गलत भयो भने बाँकी पाइपलाइनले धेरै मेहनत गरेर धाराप्रवाह तर अर्थहीन पाठ बनाउँछ। यस लेखमा भाषा पहिचानकर्ताले के सुन्छ, प्रत्यक्ष अडियो र फाइलका लागि पहिचानले कसरी व्यवहार गर्छ, र तपाईं कहिले आफैँले भाषाको नाम दिनु राम्रो हुन्छ भन्ने कुरा बुझाइएको छ।

भाषा पहिचानकर्ताले के सुन्छ, र अभिवादन किन खराब नमुना हो

भाषा पहिचानकर्ताले बोलिएको कुरा बुझ्दैन। त्यसले आवाजलाई नै हेर्छ: व्यञ्जन र स्वरहरूको सेट, शब्दांशमा जोड दिने तरिका, वाक्यको लय, र हरेक भाषाले प्रयोग गर्ने छोटा र बारम्बार आउने शब्दहरू। स्पेनिसको आफ्नै स्वर-सेट र लय छ; डच र जर्मनले धेरै कुरा साझा गर्छन् तर केही ध्वनिमा फरक पर्छन्। केही सेकेन्डको स्पष्ट बोलाइले प्रायः तिनलाई छुट्याउन पर्याप्त हुन्छ।

धेरै वाक् पहिचानकर्ताले यो काम शब्दहरू चिन्ने क्रममा नै गर्छन्। तिनीहरूले सुरुको अडियोबाट भाषा तोक्छन्, जसमा तिनले चिन्ने हरेक भाषाका लागि एउटा सम्भाव्यता हुन्छ। यस डिजाइनका दुई परिणाम छन्। सम्भाव्यताहरूको योग सधैँ एक हुन्छ, त्यसैले “कुनै भाषा होइन” भन्ने उत्तर हुँदैन: मौन, खोकी वा सङ्गीतको झट्का पनि कुनै भाषा पाउँछ, प्रायः विश्वासिलो अङ्कसहित। र निर्णय सुरुबाट गरिन्छ, जुन नमुना छनौट गर्न सबैभन्दा खराब ठाउँ हो। धेरै रेकर्डिङ अभिवादन, नाम र ठाउँका नामबाट सुरु हुन्छन्, जसमा भाषाको संकेत धेरै थोरै हुन्छ: “Good morning, Maria, welcome to Berlin” जर्मन जत्तिकै अंग्रेजी पनि हो। अरू रेकर्डिङ मौन वा खोकीबाट सुरु हुन्छन्, र त्यसमा निर्णय गर्न लगाइँदा पनि, केही नसुनी, विश्वासका साथ निर्णय गरिन्छ। वास्तविक अडियोमा पनि यस्तो हुन्छ: कोठाको आवाज र “Bună dimineața” बाट सुरु हुने रोमानियाली उपदेशलाई पूर्ण निश्चिततासाथ इटालियन “Buona domenica” ठानिन सक्छ।

गलत उत्तरको मूल्य लाग्छ जति सुनिन्छ त्यति सरल छैन। गलत भाषामा डिकोड गर्ने वाक् पहिचानकर्ताले हिज्जे मात्र बिगार्दैन, त्यसले पुनः लेख्छ। “For God so loved the world” लाई रोमानियालीका रूपमा डिकोड गर्दा “Forgot to love the world” बन्यो। रोमानियाली “mândria slujește” लाई अंग्रेजीका रूपमा डिकोड गर्दा “Pride serves” बन्यो, जुन कसैले अनुवाद गर्न नभनेको वाक्यको सही अनुवाद हो। शब्दहरू प्रवाहपूर्ण हुन्छन् र ट्रान्सक्रिप्टले त्रुटिको कुनै संकेत दिँदैन, र त्यसैले यो गल्ती महँगो पर्छ।

भाषा पहिचानकर्तालाई सबैभन्दा बढी भ्रममा पार्ने पाँच कुरा यी हुन्:

• हल्ला। पृष्ठभूमिको घुर्राहट, बिग्रिएको माइक्रोफोन वा टेबलमा राखिएको फोनले ठीक त्यही ध्वनिहरूलाई धमिलो बनाउँछ जसले एउटा भाषालाई अर्कोबाट छुट्याउँछ।
• छोटो वा तटस्थ सुरुवात। अभिवादन, नाम वा संख्या माथि उल्लिखित कारणले नमुनाका लागि कमजोर हुन्छ, र केही सेकेन्डका क्लिपमा सफा भए पनि शुद्धता तीव्र रूपमा घट्छ।
• नजिकका भाषाहरू। जोडी जसको ध्वनि-प्रणाली धेरैजसो एउटै हुन्छ, जस्तै सर्बियाली र क्रोएसियाली, हिन्दी र उर्दू, मलय र इन्डोनेसियाली, वा डेनिस र नर्वेजियन, त्यहाँ पहिचान सबैभन्दा कमजोर हुन्छ, किनकि त्यसले खोज्ने सूचकहरू ती भाषाहरूमा साझा छन्।
• बलियो लवज। लवजले स्वर र लयलाई अर्को भाषातर्फ सार्छ, र पहिचानकर्ता त्यतै पछ्याउँछ।
• कोड-स्विचिङ। धेरै मानिस एउटै कुराकानीभित्र, कहिलेकाहीँ एउटै वाक्यभित्र पनि, दुई भाषाबीच सर्छन्। सुरुमा एक पटक निर्णय गर्ने पहिचानकर्ता अर्को भाषामा बोलिएका सबै कुराका लागि गलत हुन्छ।

कुन कुरा तपाईंलाई असर गर्छ भन्ने कुरा अडियो प्रत्यक्ष आइरहेको छ कि फाइलमा पहिल्यैदेखि छ भन्नेमा निर्भर गर्छ।

प्रत्यक्ष: बोल्दै जाँदा पहिचान गर्नुहोस्; वक्ताले भाषा बदल्न सक्छन्

प्रत्यक्ष ट्रान्सक्रिप्सनमा विचार गर्न सम्पूर्ण रेकर्डिङ हुँदैन। अडियो बोलिँदै गर्दा आइपुग्छ, र ट्रान्सक्रिप्ट पनि सँगसँगै आउनुपर्छ। त्यसैले भाषा वक्ता बोल्दै जाँदा पहिचान गरिन्छ, र उनीहरूले भाषा बदले पछ्याइन्छ। ड्यासबोर्डमा प्रत्यक्ष ट्रान्सक्रिप्सन सुरु गर्दा Spoken language स्विचमुनिको टिप्पणीले यही कुरा जनाउँछ: वक्ताको भाषा स्वचालित रूपमा पत्ता लाग्छ, र उनीहरूले जुनसुकै बेला भाषा बदल्न सक्छन्।

स्विच लागू गर्नु अघि पुष्टि गरिन्छ, त्यसैले एउटा धमिलो टुक्काले ट्रान्सक्रिप्टलाई अर्को भाषामा लैजाँदैन। कमजोर ठाउँ सुरुवात हो: यदि पहिलो शब्दहरू धमिलो अभिवादन हुन्, पहिलो पङ्क्ति गलत भाषामा आउन सक्छ। भाषाको नाम दिँदा त्यो बच्छ।

फाइलहरू फरक तरिकाले काम गर्छन्, किनकि सम्पूर्ण रेकर्डिङ पहिल्यै उपलब्ध हुन्छ।

फाइल: सम्पूर्ण रेकर्डिङ उपलब्ध हुन्छ

फाइल सजिलो समस्या हो: सुरुका सेकेन्डहरूमा भरोसा गर्नु पर्दैन। फाइलका लागि भाषा सम्पूर्ण रेकर्डिङबाट तोकिन्छ, त्यसैले धमिलो अभिवादनले त्यसलाई निर्धारण गर्न सक्दैन।

फाइलको भाषा अझै कार्यकारी अनुमान हो, अन्तिम फैसला होइन। रेकर्डिङ बीचमा साँच्चै भाषा बदल्छ भने, जस्तै अन्तर्वार्ता अंग्रेजीबाट रोमानियालीमा दोस्रो आधामा सर्छ, त्यसलाई जबरजस्ती होइन, पछ्याइन्छ। र जुन रेकर्डिङ पूरै भाषाहरूबीच पालैपालो बोलिन्छ, त्यो पनि सम्हालिन्छ।

एक पटक निर्णय गरेर फेरि नहेर्ने पहिचानकर्ता गलत ठाउँमा ढुक्क हुन्छ।

कहिले भाषाको नाम दिने

सम्पूर्ण रेकर्डिङ धमिलो हुँदा कुनै पहिचानकर्ताले धेरै मद्दत गर्दैन। पहिचान पूर्वनिर्धारित हो, किनभने यो प्रायः सही हुन्छ र यसको लागत तपाईंलाई केही पर्दैन। तर केही रेकर्डिङका लागि भाषाको नाम दिनुपर्छ, र कुन हो भन्ने कुरा ड्यासबोर्डले बताउँछ: बोलिएको भाषा खुलाउँदा धमिला रेकर्डिङ र बलियो लवजमा शुद्धता सुधार हुन्छ।

यी ती अवस्था हुन् जहाँ पहिचानसँग सबैभन्दा कम सामग्री हुन्छ। आवाजले पहिचानकर्ता भर पर्ने सूचकहरू हटाउँछ; बलियो लवजले तिनलाई अर्को भाषातर्फ सार्छ; नजिकको जोडीमा सुरुमै थोरै सूचक हुन्छन्। प्रतिध्वनि हुने हलमा बोल्ने अंग्रेजी वक्ता, जसमा बलियो पोर्तुगाली लवज छ, ध्वनिबाट मात्र पहिचान गर्न गाह्रो हुन्छ; यदि पहिचानकर्ताले गलत ठाउँमा राख्यो भने, गल्ती रहुन्जेल ट्रान्सक्रिप्टले अंग्रेजी बोलाइलाई पोर्तुगालीमा बदल्छ। भाषाको नाम दिँदा प्रश्न नै हट्छ, त्यसैले सबै प्रयास शब्दहरूमा लाग्छ।

छोटो जाँचसूची:

1. एउटै भाषा, सफा अडियो। पहिचान खुला राख्नुहोस्। यसले भाषा सही पत्ता लगाउँछ, र तपाईंले भाषा बदल्ने स्वतन्त्रता पनि कायम राख्नुहुन्छ।
2. एउटै भाषा, कमजोर अडियो, बलियो लवज वा नजिकको दाजु भाषा। भाषाको नाम दिनुहोस्। ड्यासबोर्डको टिप्पणी यही अवस्थाको बारेमा हो, र माथि उल्लिखित नजिकका जोडीहरूमा यसले सबैभन्दा बढी मद्दत गर्छ।
3. रेकर्डिङमा दुई वा बढी भाषा। पहिचान खुला राख्नुहोस्, ताकि प्रत्येक भाग वास्तवमा बोलिएको भाषामा ट्रान्सक्रिप्ट होस्। एउटा भाषा तोक्दा अर्कोलाई त्यसमा जबरजस्ती पर्छ।
4. फाइलमा के छ भन्ने निश्चित छैन। पहिचान खुला राख्नुहोस्। फाइलका लागि पहिचानले सम्पूर्ण रेकर्डिङ हेर्छ।

भाषाको नाम दिनु ट्रान्सक्रिप्सनको सेटिङ हो, खाताको होइन, त्यसैले तपाईं हरेक रेकर्डिङका लागि अलग निर्णय गर्न सक्नुहुन्छ। माथिको सबै कुरा एउटै API विकल्पमा आउँछ।

API मा: spokenLanguage छुट्यो भने पहिचान गरिन्छ; स्ट्रिमको बीचमा session.update

API मा spokenLanguage भाषा कोड हो, जस्तै en; त्यो छोडियो भने भाषा पहिचान गरिन्छ। यो फाइल वा लिङ्क ट्रान्सक्रिप्सनको settings मा, र रियलटाइम सेसनका विकल्पहरूमा देखिन्छ। पहिचान र नाम दिने दुवैले एउटै 100 भाषा ओगट्छन्। अनुवाद 10 सम्म भाषामा गर्न सकिन्छ, र त्यो अलग छनोट हो; कुन भाषा पहिचान वा तोकिएको थियो भन्नेमा निर्भर गर्दैन। अनुवादले बोलाइसँग कसरी पाइला मिलाउँछ भन्ने विषय प्रत्यक्ष अनुवादको विलम्ब, व्याख्यासहित मा छ।

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

रियलटाइम सेसन बनाउँदा यही विकल्प दिइन्छ, र अडियो बगिरहँदा पनि बदल्न सकिन्छ। नयाँ spokenLanguage सहितको session.update टेक्स्ट फ्रेमले त्यसपछिको बोलाइमा लागू हुन्छ; "" वा "auto" मा सेट गर्दा सेसन फेरि पहिचानमा फर्कन्छ, र असमर्थित कोड बेवास्ता गरिन्छ। भाषा बटन भएको क्याप्शन दृश्यले अपरेटरलाई गलत पहिलो पङ्क्ति देखिने बित्तिकै भाषाको नाम दिन दिन्छ, पुनः जडान नगरी।

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

कोडहरूको सूची, तिनका नामसहित, GET /v1/languages मा छ, जसलाई कुञ्जी चाहिँदैन। तपाईंको सर्भरमा सेसन बनाउनेदेखि ड्राफ्ट र कमिटहरू पढ्नेसम्मको पूर्ण रियलटाइम प्रवाह WebSocket मार्फत रियलटाइम ट्रान्सक्रिप्सन मा छ, र अन्तरक्रियात्मक सन्दर्भ {{api}}/docs मा छ। ड्यासबोर्डमा उही छनोट नयाँ ट्रान्सक्रिप्सन सुरु गर्दा Spoken language स्विच हो, र API का कुञ्जीहरू Developers अन्तर्गत बस्छन्।