Detektor jezika vedno poda odgovor, tudi na kašelj. Pri čistem zvoku ali zvoku z več jeziki pustite zaznavanje vklopljeno, pri enem jeziku čez šum ali močan naglas pa jezik navedite.
Vsak prepis se začne z vprašanjem, ki ga bralec nikoli ne vidi: kateri jezik je to? Če je odgovor napačen, cevovod ves trud vloži v tekoče nesmisle. Ta članek pojasnjuje, na kaj je pozoren detektor jezika, kako se zaznavanje obnaša pri živem zvoku in pri datotekah ter kdaj je bolje jezik navesti sami.
Detektor jezika ne razume, kaj se govori. Gleda na sam zvok: zalogo soglasnikov in samoglasnikov, naglasne vzorce zlogov, ritem stavkov ter kratke, pogoste besede, na katere se opira vsak jezik. Španščina ima svoj nabor samoglasnikov in ritem; nizozemščina in nemščina si v marsičem delita, na nekaj glasovih pa se razlikujeta. Nekaj sekund jasnega govora je navadno dovolj, da ju ločimo.
Veliko prepoznavalcev to počne kot stransko posledico prepoznavanja besed. Jezik odločijo iz začetka posnetka, kot verjetnost za vsak jezik, ki ga poznajo. Iz take zasnove sledita dve stvari. Verjetnosti vedno seštejejo do ena, zato ni odgovora »nobenega jezika«: tišina, kašelj ali glasbena zaključna fraza dobi jezik, pogosto s samozavestno oceno. Odločitev pa se sprejme iz začetka, kar je najslabši možni vzorec. Veliko posnetkov se začne s pozdravi, imeni in krajevnimi imeni, ki nosijo zelo malo jezikovnega signala: »Good morning, Maria, welcome to Berlin« je skoraj toliko nemško kot angleško. Drugi se začnejo s tišino ali kašljem, detektor pa, če ga prosimo za odločitev, odloči vseeno, z zaupanjem, na ničemer. To se dogaja tudi pri pravem zvoku: romunska pridiga, ki se začne s sobnim šumom in »Bună dimineața«, je lahko s popolnoma gotovostjo slišana kot italijanska »Buona domenica«.
Cena napačnega odgovora je tudi slabša, kot se sliši. Prepoznavalec, ki dekodira v napačnem jeziku, ne napiše napak; prepiše. »For God so loved the world«, dekodirano kot romunščina, je dalo »Forgot to love the world«. Romunski »mândria slujește«, dekodiran kot angleščina, je dal »Pride serves«, kar je točen prevod stavka, ki ga nihče ni hotel prevajati. Besede so tekoče in prepis ne kaže nobenega znaka, da je nekaj narobe, prav to pa napako naredi drago.
Detektorje najpogosteje motijo pet stvari:
Kateri od teh vplivov vas zadene, je odvisno od tega, ali zvok prihaja v živo ali že leži v datoteki.
Pri prepisu v živo ni celotnega posnetka, ki bi ga lahko pregledali. Zvok prihaja, ko je izgovorjen, prepis pa mora priti skupaj z njim. Jezik se zato zaznava med govorom in sledi, če govorec preklopi. To pove opomba pod stikalom Spoken language, ko v nadzorni plošči začnete prepis v živo: jezik govorca se zazna samodejno, govorec pa lahko kadar koli preklopi.
Preklop se potrdi, preden se uveljavi, da en šumen odsek ne potegne prepisa v drug jezik. Šibko mesto je začetek: če so prve besede šumen pozdrav, je lahko prva vrstica v napačnem jeziku. Temu se izognete z navedbo jezika.
Datoteke delujejo drugače, ker je celoten posnetek že na voljo.
Datoteka je lažji problem: ni treba zaupati prvim sekundam. Pri datoteki se jezik odloči na podlagi celotnega posnetka, zato hrupen pozdrav na začetku ne more odločiti.
Jezik datoteke je še vedno delovna predpostavka, ne dokončna sodba. Posnetek, ki resnično med potekom spremeni jezik, na primer intervju, ki se v drugi polovici preseli iz angleščine v romunščino, se sledi in ne prisiljuje, posnetek, ki se ves čas izmenjuje med jezikoma, pa je prav tako obravnavan.
Detektor, ki odloči enkrat in se nikoli ne ozre nazaj, je samozavesten na napačnem mestu.
Noben detektor ne pomaga veliko, kadar je celoten posnetek šumen. Zaznavanje je privzeto, ker ima največkrat prav in vas ne stane ničesar. Pri nekaterih posnetkih pa bi morali jezik navesti, in nadzorna plošča pove, za katere: navedba govorjenega jezika izboljša natančnost pri šumnih posnetkih in močnih naglasih.
To so primeri, kjer ima detekcija najmanj za kar se oprijeti. Šum odstrani signale, na katere se detektor opira; močan naglas jih premakne proti drugemu jeziku; par sorodnih jezikov jih sploh ponuja malo. Angleški govorec z močnim portugalskim naglasom v odmevni dvorani je iz samega zvoka težko umestljiv, in če ga detektor napačno umesti, se angleški govor v prepisu spremeni v portugalščino, dokler napaka traja. Navedba jezika vprašanje odpravi, zato gre ves trud v besede.
Kratek kontrolni seznam:
Navedba jezika je nastavitev prepisa, ne vašega računa, zato se lahko odločite za vsak posnetek posebej. Vse zgoraj navedeno se zvede na eno možnost API-ja.
spokenLanguage pomeni zaznavanje; session.update med tokomV API-ju je spokenLanguage koda jezika, na primer en; če jo izpustite, se jezik zazna. Pojavi se v settings prepisa datoteke ali povezave in v možnostih realnočasove seje. Zaznavanje in navajanje pokrivata isti 100 jezikov. Prevod v do 10 od njih je ločena izbira in ni odvisen od tega, kateri jezik je bil zaznan ali naveden. Kako prevod sledi govoru, je tema članka Zakasnitev prevoda v živo, pojasnjena: kam gredo sekunde.
{ "name": "Board meeting", "settings": { "spokenLanguage": "en", "speakerLabels": "auto" } }
Realnočasova seja vzame isto možnost ob ustvarjanju, med tekom zvoka pa jo lahko spremenite. Okvir besedila session.update z novim spokenLanguage velja za govor od takrat naprej; če nastavite "" ali "auto", se seja vrne k zaznavanju, neveljavna koda pa se prezre. Pogled s podnapisi z gumbom za jezik lahko upravljavcu omogoči, da jezik navede takoj, ko zagleda napačno prvo vrstico, brez ponovne povezave.
{ "type": "session.update", "spokenLanguage": "ro" }
Seznam kod z imeni je na GET /v1/languages, ki ne potrebuje ključa. Celoten potek realnočasove seje, od ustvarjanja seje na vašem strežniku do branja osnutkov in potrditev, je v Vadnica za WebSocket, interaktivna referenca pa je na {{api}}/docs. V nadzorni plošči je ista izbira stikalo Spoken language, ko začnete nov prepis, ključi za API pa so v razdelku Razvijalci.