பேச்சு அறிதலில் தானியங்கி மொழி கண்டறிதல் எப்படி வேலை செய்கிறது, மொழியை எப்போது குறிப்பிட வேண்டும்

மொழி கண்டறிவான் எப்போதும் ஒரு பதிலைத் தரும், இருமலுக்கும் கூட. தெளிவான அல்லது பல மொழி ஒலிக்கு கண்டறிதலை இயக்கி வையுங்கள்; ஒரே மொழி இரைச்சலிலோ கடுமையான உச்சரிப்பிலோ பேசப்படும்போது அதைக் குறிப்பிடுங்கள்.

ஒவ்வொரு டிரான்ஸ்கிரிப்ஷனும் வாசகர் பார்க்காத ஒரு கேள்வியுடன் தொடங்குகிறது: இது எந்த மொழி? அதைத் தவறாகக் கண்டால், மீதமுள்ள செயல்முறை சரளமான, ஆனால் பொருளற்ற உரையை உருவாக்கவே கடுமையாக உழைக்கும். மொழி கண்டறிவான் எதைக் கேட்கிறது, நேரலை ஒலிக்கும் கோப்புகளுக்கும் அது எப்படி நடந்துகொள்கிறது, எப்போது மொழியை நீங்களே குறிப்பிடுவது சிறந்தது என்பதை இந்தக் கட்டுரை விளக்குகிறது.

மொழி கண்டறிவான் எதைக் கவனிக்கிறது, வாழ்த்து ஏன் மோசமான மாதிரி

மொழி கண்டறிவான் பேசப்படுவதன் பொருளைப் புரிந்துகொள்வதில்லை. அது ஒலியையே பார்க்கிறது: மெய்யெழுத்துகள் மற்றும் உயிரெழுத்துகளின் தொகுப்பு, சொற்களில் அழுத்தம் விழும் விதம், சொற்றொடர்களின் தாளம், ஒவ்வொரு மொழியும் பெரிதும் சார்ந்திருக்கும் குறுகிய, அடிக்கடி வரும் சொற்கள். ஸ்பானிஷுக்குத் தனிப்பட்ட உயிரெழுத்து அமைப்பும் தாளமும் உண்டு; டச்சும் ஜெர்மனும் நிறைய ஒற்றுமை கொண்டவை, ஆனால் சில ஒலிகளில் வேறுபடுகின்றன. தெளிவான பேச்சின் சில வினாடிகளே பெரும்பாலும் அவற்றைப் பிரித்தறியப் போதுமானவை.

பல அறிவிப்பான்கள் இதைச் சொற்களை அடையாளம் காணும் துணை விளைவாகச் செய்கின்றன. அவை ஒலிப்பதிவின் தொடக்கத்திலிருந்தே மொழியை முடிவு செய்கின்றன; அவை அறிந்த ஒவ்வொரு மொழிக்கும் ஒரு நிகழ்தகவாக. இந்த வடிவமைப்பிலிருந்து இரண்டு விளைவுகள் வருகின்றன. நிகழ்தகவுகள் எப்போதும் ஒன்றாகக் கூட்டப்படுவதால், "மொழி இல்லை" என்ற பதில் இல்லை: மௌனம், இருமல் அல்லது இசைத் துணுக்கு கூட ஒரு மொழியைப் பெறும், பெரும்பாலும் நம்பிக்கையான மதிப்பெண்ணுடன். இரண்டாவதாக, முடிவு தொடக்கத்திலிருந்தே எடுக்கப்படுகிறது, அது தேர்ந்தெடுக்கக்கூடிய மோசமான மாதிரி. பல பதிவுகள் வாழ்த்துகள், பெயர்கள், இடப் பெயர்களுடன் தொடங்குகின்றன; அவற்றில் மொழிச் சமிக்ஞை மிகக் குறைவு: "Good morning, Maria, welcome to Berlin" என்பது ஆங்கிலத்தைப் போலவே ஜெர்மனுக்கும் கிட்டத்தட்ட நெருக்கமானது. வேறு சில பதிவுகள் மௌனத்துடனோ இருமலுடனோ தொடங்குகின்றன; ஒன்றுமே இல்லாத அதன் மீது கண்டறிவான் கேட்கப்பட்டால், நம்பிக்கையுடன் ஏதோ ஒரு முடிவை எடுத்துவிடும். உண்மையான ஒலிப்பதிவுகளிலும் இது நடக்கும்: அறை இரைச்சலுடனும் "Bună dimineața" என்ற சொற்களுடனும் தொடங்கும் ஒரு ருமேனிய உரை, முழு நம்பிக்கையுடன் இத்தாலிய "Buona domenica" எனக் கேட்கப்படலாம்.

தவறான பதிலின் விலையும் தோன்றுவதை விட மோசமானது. தவறான மொழியில் டிகோட் செய்யும் அறிதல் எழுத்துப்பிழையாக எழுதுவதில்லை; அது மீண்டும் எழுதுகிறது. "For God so loved the world" என்பது ருமேனியமாக டிகோட் செய்யப்பட்டபோது "Forgot to love the world" என வந்தது. ருமேனிய "mândria slujește" ஆங்கிலமாக டிகோட் செய்யப்பட்டபோது "Pride serves" என வந்தது; யாரும் மொழிபெயர்க்கக் கேட்காத ஒரு வாக்கியத்தின் துல்லியமான மொழிபெயர்ப்பு அது. சொற்கள் சரளமாக இருக்கின்றன, டிரான்ஸ்கிரிப்ட்டில் எதுவும் தவறு என்பதற்கான அறிகுறி இருப்பதில்லை; அதுதான் இந்தத் தவறை விலை உயர்ந்ததாக்குகிறது.

கண்டறிவான்களை மிக அடிக்கடி ஏமாற்றும் ஐந்து விஷயங்கள்:

• இரைச்சல். பின்னணி ஹம், மோசமான மைக்ரோஃபோன் அல்லது மேசையில் வைத்த ஃபோன் ஒரு மொழியை மற்றொன்றிலிருந்து பிரிக்கும் ஒலிகளையே மங்கலாக்கிவிடும்.
• குறுகிய அல்லது நடுநிலைத் தொடக்கங்கள். வாழ்த்து, பெயர் அல்லது எண் மேலே சொன்ன காரணங்களுக்காக ஒரு மோசமான மாதிரி; சில வினாடிகள் மட்டுமேயான துணுக்குகளில் எவ்வளவு தெளிவாக இருந்தாலும் துல்லியம் கூர்மையாகக் குறையும்.
• மிக நெருங்கிய தொடர்புடைய மொழிகள். பெரும்பாலான ஒலி அமைப்பைப் பகிர்ந்துகொள்ளும் ஜோடிகள், எடுத்துக்காட்டாக செர்பியனும் குரோஷியனும், இந்தியும் உருதுவும், மலாயும் இந்தோனேசியனும், அல்லது டேனிஷும் நார்வேஜியனும்; அங்குதான் கண்டறிதல் மிகவும் பலவீனமாக இருக்கிறது, ஏனெனில் அது கவனிக்கும் சமிக்ஞைகள் அந்த மொழிகளுக்குப் பொதுவானவையே.
• கடுமையான உச்சரிப்புகள். உச்சரிப்பு உயிரெழுத்துகளையும் தாளத்தையும் மற்றொரு மொழியை நோக்கி நகர்த்துகிறது; கண்டறிவான் அவற்றைப் பின்தொடர்ந்து அங்கேயே போய்விடுகிறது.
• மொழி மாறுதல் (code-switching). பலர் ஒரே உரையாடலுக்குள், சில நேரங்களில் ஒரே வாக்கியத்திற்குள்ளேயே இரண்டு மொழிகளுக்கு இடையே மாறுகிறார்கள். தொடக்கத்தில் ஒரு முறை மட்டும் முடிவு செய்யும் கண்டறிவான், மற்ற மொழியில் பேசப்படும் எல்லாவற்றுக்கும் தவறாக இருக்கும்.

இவற்றில் எது உங்களைப் பாதிக்கும் என்பது ஒலி நேரலையாக வருகிறதா அல்லது ஏற்கெனவே ஒரு கோப்பில் இருக்கிறதா என்பதைப் பொறுத்தது.

நேரலை: போகும்போதே கண்டறியுங்கள்; பேச்சாளர் மாறலாம்

நேரலை டிரான்ஸ்கிரிப்ஷனுக்கு முழு பதிவும் பார்க்க இல்லை. ஒலி பேசப்படும்போதே வருகிறது, டிரான்ஸ்கிரிப்ட்டும் அதனுடனேயே வர வேண்டும். எனவே பேச்சாளர் பேசும்போதே மொழி கண்டறியப்படுகிறது, அவர் மாறினால் அதுவும் பின்தொடரப்படுகிறது. டாஷ்போர்டில் நேரலை டிரான்ஸ்கிரிப்ஷனைத் தொடங்கும்போது Spoken language சுவிட்ச்சுக்குக் கீழே உள்ள குறிப்பு இதைத்தான் குறிக்கிறது: பேச்சாளரின் மொழி தானாகக் கண்டறியப்படுகிறது, அவர் எந்த நேரத்திலும் மொழி மாறலாம்.

மொழி மாற்றம் பயன்படுத்தப்படுவதற்கு முன் உறுதிசெய்யப்படுகிறது, எனவே ஒரு இரைச்சல் துண்டு டிரான்ஸ்கிரிப்ட்டை வேறு மொழிக்கு இழுத்துச் செல்லாது. பலவீனமான இடம் தொடக்கம்தான்: முதல் சொற்கள் இரைச்சலான வாழ்த்தாக இருந்தால், முதல் வரி தவறான மொழியில் வரலாம். மொழியைக் குறிப்பிடுவது அதைத் தவிர்க்கிறது.

கோப்புகள் வேறு விதமாக வேலை செய்கின்றன, ஏனெனில் முழு பதிவும் ஏற்கெனவே கிடைக்கிறது.

கோப்புகள்: முழு பதிவும் கிடைக்கிறது

கோப்பு ஒரு சிறந்த பிரச்சனை: முதல் சில வினாடிகளை நம்ப வேண்டிய அவசியம் இல்லை. கோப்புக்கு, மொழி முழு பதிவிலிருந்தே தீர்மானிக்கப்படுகிறது; எனவே தொடக்கத்தில் இருக்கும் இரைச்சலான வாழ்த்து அதை முடிவு செய்ய முடியாது.

கோப்பின் மொழி இன்னும் ஒரு செயல்பாட்டு அனுமானம்தானே தவிர இறுதித் தீர்ப்பு அல்ல. பாதியில் மொழி மாறும் பதிவு, எடுத்துக்காட்டாக ஆங்கிலத்திலிருந்து இரண்டாம் பாதியில் ருமேனியத்திற்கு மாறும் நேர்காணல், கட்டாயப்படுத்தப்படாமல் பின்பற்றப்படுகிறது; மொழிகளுக்கு இடையே தொடர்ந்து மாறி மாறி வரும் பதிவும் கையாளப்படுகிறது.

ஒரு முறை முடிவெடுத்து, திரும்பிப் பார்க்காத கண்டறிவான் தவறான இடத்தில் நம்பிக்கையாக இருக்கிறது.

மொழியை எப்போது குறிப்பிட வேண்டும்

முழு பதிவும் இரைச்சலாக இருந்தால் எந்தக் கண்டறிவானும் பெரிதாக உதவாது. கண்டறிதல் இயல்புநிலை, ஏனெனில் அது பெரும்பாலும் சரியாக இருக்கிறது, உங்களுக்கு எதுவும் செலவாகாது. ஆனால் சில பதிவுகளுக்கு மொழியை நீங்கள் குறிப்பிட வேண்டும்; டாஷ்போர்டு எவை என்று சொல்கிறது: பேசப்படும் மொழியைக் குறிப்பிடுவது இரைச்சலான பதிவுகளிலும் கடுமையான உச்சரிப்புகளிலும் துல்லியத்தை மேம்படுத்துகிறது.

இவைதான் கண்டறிதலுக்குக் கையில் குறைந்த தரவு உள்ள சூழ்நிலைகள். இரைச்சல் கண்டறிவான் சார்ந்திருக்கும் சமிக்ஞைகளை அழிக்கிறது; கடுமையான உச்சரிப்பு அவற்றை வேறு மொழியை நோக்கி நகர்த்துகிறது; நெருங்கிய ஜோடி தொடக்கத்திலேயே சில சமிக்ஞைகளையே தருகிறது. எதிரொலிக்கும் அரங்கில் வலுவான போர்த்துகீசிய உச்சரிப்புடன் பேசும் ஓர் ஆங்கிலேயரை ஒலியை மட்டும் வைத்து அடையாளம் காண்பது கடினம்; கண்டறிவான் அவர்களைத் தவறாக வைத்தால், அந்தத் தவறு நீடிக்கும் வரை ஆங்கிலப் பேச்சு போர்த்துகீசியத்தில் டிரான்ஸ்கிரிப்ட் ஆகிவிடும். மொழியைக் குறிப்பிட்டால் கேள்வி நீங்குகிறது; எல்லா முயற்சியும் சொற்களின் மீதே செலவாகிறது.

சுருக்கமான சரிபார்ப்புப் பட்டியல்:

1. ஒரே மொழி, தெளிவான ஒலி. கண்டறிதலை இயக்கி வையுங்கள். அது மொழியைச் சரியாகக் கண்டறியும், மேலும் மாறும் சுதந்திரமும் உங்களுக்கு இருக்கும்.
2. ஒரே மொழி, மோசமான ஒலி, கடுமையான உச்சரிப்பு அல்லது நெருங்கிய சகோதர மொழி. மொழியைக் குறிப்பிடுங்கள். டாஷ்போர்டின் குறிப்பு பற்றிப் பேசுவது இதுதான்; மேலே சொன்ன நெருங்கிய ஜோடிகளில்தான் இது மிகவும் உதவுகிறது.
3. பதிவில் இரண்டு அல்லது அதற்கு மேற்பட்ட மொழிகள். கண்டறிதலை இயக்கி வையுங்கள், அதனால் ஒவ்வொரு பகுதியும் உண்மையில் பேசப்பட்ட மொழியிலேயே டிரான்ஸ்கிரைப் ஆகும். ஒரு மொழியை மட்டும் குறிப்பிட்டால் மற்றதை அதற்குள் கட்டாயப்படுத்தும்.
4. கோப்பில் என்ன இருக்கிறது என்று உறுதியாகத் தெரியாவிட்டால். கண்டறிதலை இயக்கி வையுங்கள். கோப்புக்கு, கண்டறிதல் முழு பதிவையும் பார்க்கிறது.

மொழியைக் குறிப்பிடுவது உங்கள் கணக்கின் அமைப்பு அல்ல, ஒரு டிரான்ஸ்கிரிப்ஷனின் அமைப்பு; எனவே ஒவ்வொரு பதிவுக்கும் நீங்கள் தனித்தனியாக முடிவு செய்யலாம். மேலே சொன்ன எல்லாம் ஒரே API விருப்பத்தில் சுருங்குகிறது.

API-யில்: spokenLanguage இல்லாவிட்டால் கண்டறிதல்; ஸ்ட்ரீம் நடுவில் session.update

API-யில், spokenLanguage என்பது en போன்ற ஒரு மொழிக் குறியீடு; அதை விட்டுவிட்டால் மொழி கண்டறியப்படும். அது ஒரு கோப்பு அல்லது இணைப்பு டிரான்ஸ்கிரிப்ஷனின் settings-இலும், ஒரு நேரலை அமர்வின் விருப்பங்களிலும் தோன்றும். கண்டறிதலும் குறிப்பிடுதலும் ஒரே 100 மொழிகளை உள்ளடக்குகின்றன. அவற்றில் 10 மொழிகள் வரையிலான மொழிபெயர்ப்பு என்பது தனித் தேர்வு; அது எந்த மொழி கண்டறியப்பட்டது அல்லது குறிப்பிடப்பட்டது என்பதைச் சார்ந்தது அல்ல. மொழிபெயர்ப்பு பேச்சின் வேகத்திற்கு எவ்வாறு ஈடுகொடுக்கிறது என்பது நேரடி மொழிபெயர்ப்பு தாமதம், விளக்கப்பட்டது பற்றியது.

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

நேரலை அமர்வை உருவாக்கும்போது அதே விருப்பம் உண்டு, ஒலி ஓடிக்கொண்டிருக்கும்போதே அதை மாற்றலாம். புதிய spokenLanguage உடன் வரும் session.update உரைச் சட்டகம் அதன் பின் வரும் பேச்சுக்குப் பொருந்தும்; அதை "" அல்லது "auto" என அமைத்தால் அமர்வு கண்டறிதலுக்குத் திரும்புகிறது, ஆதரிக்கப்படாத குறியீடு புறக்கணிக்கப்படுகிறது. மொழி பொத்தானுடன் கூடிய ஒரு தலைப்புக் காட்சி, தவறான முதல் வரியை ஆபரேட்டர் பார்த்தவுடனேயே மொழியைக் குறிப்பிட அனுமதிக்கலாம்; மீண்டும் இணைக்க வேண்டியதில்லை.

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

குறியீடுகளின் பட்டியல், அவற்றின் பெயர்களுடன், GET /v1/languages-இல் உள்ளது; அதற்கு விசை தேவையில்லை. உங்கள் சேவையகத்தில் ஓர் அமர்வை உருவாக்குவது முதல் வரைவுகளையும் இறுதி வரிகளையும் படிப்பது வரையிலான முழு நேரலை ஓட்டம் WebSocket வழி நிகழ்நேர டிரான்ஸ்கிரிப்ஷன் கட்டுரையில் உள்ளது; ஊடாடும் குறிப்பு {{api}}/docs-இல் உள்ளது. டாஷ்போர்டில், புதிய டிரான்ஸ்கிரிப்ஷனைத் தொடங்கும்போது அதே தேர்வு Spoken language சுவிட்ச் ஆகும்; API-க்கான விசைகள் Developers கீழ் உள்ளன.