ମଣ୍ଡାରିନ, ଏବଂ କାଣ୍ଟୋନେଟ ରେଖାଙ୍କନ ଯାହା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ
ଏହି ପୃଷ୍ଠାଟି ମଣ୍ଡେରିନ (zh) ପାଇଁ ଚିହ୍ନିତ ହୋଇଛି - 普通话/国语 ଯାହାକି ମୂଳ ଚୀନ, ତାଇୱାନ, ସିଙ୍ଗାପୁର ଏବଂ ମାଲେସିଆରେ ବଖାଣାଯାଏ। ମାନକ ମଣ୍ଡେରିନ ଉଚ୍ଚ ସ୍ତରରେ ଅନୁବାଦ କରେ, ଦକ୍ଷିଣ ଭାଷାର ବଖାଣକମାନଙ୍କଠାରୁ ଉଚ୍ଚାରଣ ମଣ୍ଡେରିନ ଅନ୍ତର୍ଭୁକ୍ତ।
କାଣ୍ଟୋନିଜ ଭାଷାଟି ଭାଷଣ-ସଂଜ୍ଞାନ ପ୍ରୟୋଗ ପାଇଁ ମଣ୍ଡେରିନ ଭାଷା ନୁହେଁ - ଏହା ଏକ ସ୍ୱତନ୍ତ୍ର ଭାଷା ଯାହାର ନିଜସ୍ୱ କୋଡ (yue), ନିଜସ୍ୱ ଶବ୍ଦଭଣ୍ଡାର, ଏବଂ ନିଜସ୍ୱ ଲିଖିତ ଆକାର ଅଛି। ଏହି ପୃଷ୍ଠା ମାଧ୍ୟମରେ ଦିଆଯାଉଥିବା ଗୋଟିଏ କାଣ୍ଟୋନିଜ ରେକର୍ଡିଂ ଗର୍ଭବତ-ରୁ-ମଧୁମେହ ମଣ୍ଡେରିନ ପାଠ୍ୟ ଉତ୍ପାଦନ କରିବ। ଆମେ ଇଚ୍ଛାକରି କାଣ୍ଟୋନିଜ ପୃଷ୍ଠାକୁ ବର୍ତ୍ତମାନ ସୁଦ୍ଧା ଅନୁକ୍ରମଣ କରିନାହୁଁ କାରଣ ନିର୍ଗମ ଗୁଣବତ୍ତା ଆମର ବାରକୁ ପୂରଣ କରିନଥାଏ; କାଣ୍ଟୋନିଜ ଧ୍ୱନି ପାଇଁ, ସମର୍ପିତ କାଣ୍ଟୋନିଜ ଉପକରଣକୁ ଦେଖିବା ପାଇଁ ଆଶା କରନ୍ତୁ।
ସରଳ ନିର୍ଗମ, ବିରାମ ଚିହ୍ନ, ଏବଂ ମିଶ୍ରିତ ଭାଷାName
Transcripts are produced in simplified characters by default (the dominant training convention) with full-width Chinese punctuation (，。？) inserted — Chinese is written without spaces and the output follows that. Taiwanese Mandarin speakers should note the transcript will typically be simplified, not traditional; converting script is a lossless one-click step in many tools. English words and brand names inside Mandarin speech are transcribed inline in Latin script.
ସାଧାରଣ ପ୍ରଶ୍ନ
ଏହା କଣ୍ଟୋନେଟ ପାଇଁ କାମ କରେ କି?
ନା - ଏବଂ ଏହା ଜାଣିବା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଯେ କାହିଁକି: କାଣ୍ଟୋନିଆନ (yue) ମଣ୍ଡେରିନ (zh) ରୁ ଗୋଟିଏ ଭିନ୍ନ ଭାଷା, ଏକ ଉଚ୍ଚାରଣ ନୁହେଁ। ଏହି ପୃଷ୍ଠା ମଣ୍ଡେରିନକୁ ପିନ କରିଥାଏ। କାଣ୍ଟୋନିଆନ ଧ୍ୱନି ଏଠାରେ ଖରାପ ଭାବରେ ବାହାରକୁ ଆସିବ। ଅନ୍ତର୍ଗତ ମଡେଲରେ କିଛି କାଣ୍ଟୋନିଆନ କ୍ଷମତା ଅଛି ଏହାର ବିଶେଷ yue ସଂକେତ ଅନ୍ତର୍ଗତ, କିନ୍ତୁ ଆମେ ଏହାକୁ ପୃଷ୍ଠା ପାଇଁ ପଠାଇବା ପାଇଁ ଏପର୍ଯ୍ୟନ୍ତ ଭଲ ଭାବରେ ବିଚାର କରୁନୁ।
ନିର୍ଗମରେ ସରଳ କିମ୍ବା ପାରମ୍ପରିକ ଅକ୍ଷରଗୁଡ଼ିକ?
ସରଳ, ନିୟମ ଭାବରେ - ଏହା ମଡେଲର ମ୍ୟାଣ୍ଡରିନ ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟରେ ପ୍ରମୁଖ ସମ୍ମିଳନୀ, ତାୟବାନ ବକ୍ତାମାନଙ୍କ ପାଇଁ ମଧ୍ୟ। ଯଦି ଆପଣ ପାରମ୍ପରିକ ଅକ୍ଷରଗୁଡ଼ିକର ଆବଶ୍ୟକତା ଥାଏ, ତେବେ କୌଣସି ସରଳ→ପାରମ୍ପରିକ ପରିବର୍ତ୍ତକ ମାଧ୍ୟମରେ ରପ୍ତାନୀ କରାଯାଇଥିବା TXT କୁ ଚଲାନ୍ତୁ; ପରିବର୍ତ୍ତନଟି ସେହି ଦିଗକୁ ଅତ୍ୟନ୍ତ କ୍ଷତିହୀନ।
ମଣ୍ଡେରିନ ଅନୁବାଦ କେତେ ସଠିକ?
ଉଚ୍ଚ ସ୍ତର - ସଫା ମଣ୍ଡେରିନ (ପ୍ରସାରଣ, ବୈଠକ, ଉପସ୍ଥାପନା) ବହୁତ ବିଶ୍ୱସ୍ତରୀୟ ଭାବରେ ଅନୁବାଦ କରେ, ଟୋନ-ନିର୍ଭରଶୀଳ ଅସ୍ପଷ୍ଟତାକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରି, କାରଣ ଭାଷା ମଡେଲ ସଂକ୍ଷିପ୍ତ ପୃଷ୍ଠାରୁ ଅକ୍ଷରଗୁଡ଼ିକୁ ବାଛିଥାଏ। ଶକ୍ତିଶାଳୀ ଆଂଚଳିକ ଉଚ୍ଚାରଣ (ସିଚୁଆନ-ସ୍ୱାଦଯୁକ୍ତ ମଣ୍ଡେରିନ, ତାୟୱାନ-ଉଚ୍ଚାରଣ ମଣ୍ଡେରିନ) ଏପର୍ଯ୍ୟନ୍ତ କାମ କରୁଅଛି; ପ୍ରକୃତ ଆଂଚଳିକ ଭାଷା (ସାଙ୍ଗାଙ୍ଗ, ହୋକିନ) କରେନାହିଁ।
ଟ୍ରାନ୍ସକ୍ରିପ୍ଟରେ ବିରାମ ଚିହ୍ନ ଏବଂ ସ୍ଥାନାନ୍ତର କିପରି କାମ କରେ?
ଚୀନୀୟ ଶୂନ୍ୟସ୍ଥାନ ବିନା ଲେଖାଯାଏ, ଏବଂ ଅନୁବାଦ ଅନୁଯାୟୀ, ସମ୍ପୂର୍ଣ୍ଣ-ବୃତ୍ତାନ୍ତ ବିରାମ ଚିହ୍ନ (，。！？、) ପ୍ରାକୃତିକ ସୀମାରେ ଭର୍ତ୍ତି ହୋଇଥାଏ। Segment/SRT cue ବାକ୍ୟ ସୀମାରେ ଭୂମିକୁ ବିଭାଜିତ କରିଥାଏ, ତେଣୁ ଉପଶୀର୍ଷକଗୁଡ଼ିକ ଶବ୍ଦ ମଧ୍ଯରେ ଭାଙ୍ଗିବା ବଦଳରେ ପ୍ରାକୃତିକ ଭାବରେ ପଢିଥାଏ।
ମଣ୍ଡରିନ ଧ୍ୱନିକୁ ଇଂରାଜୀ ପାଠ୍ୟକୁ - ସମ୍ଭବ?
ଏହି ପୃଷ୍ଠା ମଣ୍ଡରିନକୁ ଚାଇନିଜ ପାଠ୍ୟରେ ଅନୁବାଦ କରେ; ଏହା ହେଉଛି ଉଚ୍ଚ-ସଠିକତା ପର୍ଯ୍ୟାୟ। ଇଂରାଜୀ ପାଇଁ, TXT ରପ୍ତାନୀ କରନ୍ତୁ ଏବଂ ମେସିନ-ଅନୁବାଦ କରନ୍ତୁ - zh→en ପରିବର୍ତ୍ତନ ସଫା ପାଠ୍ୟ ଉପରେ ଶକ୍ତିଶାଳୀ, ଏବଂ ଦୁଇ-ପର୍ଯ୍ୟାୟ ଫଳାଫଳ ଗୋଟିଏ-ଶଟ ଭାଷା ଅନୁବାଦକୁ ବଦଳାଇଥାଏ। ସ୍ଥାପିତ ଅନୁବାଦ ଅନୁବାଦ ଯୋଜନା କରାଯାଇଛି।
ମଣ୍ଡେରିନ ଭାଷାରେ ଇଂରାଜୀ ଶବ୍ଦ ମିଶିବା କଥା କଣ?
ପ୍ରଯୁକ୍ତି ଏବଂ ବ୍ୟବସାୟ ମଣ୍ଡେରିନରେ ବହୁତ ସାଧାରଣ, ଏବଂ ଭଲ ଭାବରେ ପରିଚାଳିତ: ଇଂରାଜୀ ଶବ୍ଦ, ସଂକ୍ଷିପ୍ତ ନାମ, ଏବଂ ବ୍ରାଣ୍ଡ ନାମଗୁଡ଼ିକୁ ଲାଟିନ ସ୍କ୍ରିପ୍ଟରେ ଅନ୍ତର୍ଭୁକ୍ତ ଭାବରେ ଅନୁବାଦ କରାଯାଏ (ଯେପରିକି 我们用 Kubernetes 部署) । ଲମ୍ବା ଇଂରାଜୀ-କେବଳ ପାଠଗୁଡ଼ିକ ମୂଳ ପୃଷ୍ଠାରେ ସ୍ୱୟଂ-ନିର୍ଦ୍ଧାରଣ ଅପଲୋଡର ମାଧ୍ୟମରେ ଭଲ ଭାବରେ ଅନୁବାଦ କରାଯାଏ ।