Detector de Idioma com IA

O que este detetor de idioma faz

Escreva ou cole um texto, prima Detetar Idioma e a ferramenta indica o idioma em que está escrito e mostra o seu grau de confiança. O trabalho é realizado pelo modelo de deteção de idioma do MediaPipe, que é executado no seu navegador através de WebAssembly, pelo que o texto que cola não é enviado para um servidor para análise. Na primeira vez que a utiliza, a página descarrega o modelo e o respetivo runtime; depois disso, a deteção é local.

É um identificador de idioma, não um tradutor. Indica-lhe em que idioma o texto parece estar, apresenta o código de idioma no estilo ISO e comunica uma probabilidade. Não converte o texto, não o corrige nem explica o seu significado.

Como funciona a deteção

A página carrega um pequeno modelo de classificação de texto (um ficheiro TensorFlow Lite) juntamente com o runtime de tarefas de texto do MediaPipe. Quando submete texto, o modelo avalia-o em relação aos idiomas com que foi treinado e devolve uma lista ordenada. A ferramenta apresenta o melhor resultado: o nome do idioma, o seu código e a probabilidade em percentagem.

Tudo o que acontece após a transferência do modelo é processado no seu dispositivo. A caixa de texto, o contador de carateres, o botão Detetar e o cartão de resultado são todos JavaScript local. É por isso que a ferramenta funciona sem conta e sem enviar o seu parágrafo para qualquer parte.

O primeiro carregamento e o botão "Carregar Modelo de IA"

Como o modelo é um ficheiro separado, a ferramenta não o transfere até ser necessário. Pode premir Carregar Modelo de IA para iniciar a transferência antecipadamente, ou simplesmente premir Detetar e deixar que carregue automaticamente. Durante o carregamento, a página mostra o passo atual ("A preparar o motor de IA", "A transferir módulos", "A carregar o modelo de idioma"). Quando termina, o botão passa a Modelo Pronto.

Se a transferência falhar, o botão fica vermelho e a linha de estado mostra o erro. Normalmente trata-se de um problema de rede ou de um bloqueador de conteúdos, e não de um problema com o seu texto. Recarregue a página e tente novamente, ou permita pedidos ao CDN e ao alojamento do modelo utilizados pela ferramenta.

Que idiomas estão abrangidos

O mapa de idiomas da ferramenta inclui cerca de 110 códigos, abrangendo a maioria dos idiomas amplamente utilizados e muitos regionais: inglês, espanhol, francês, alemão, português, italiano, neerlandês, russo, ucraniano, polaco, checo, romeno, grego, turco, árabe, hebraico, persa, urdu, hindi, bengali, punjabi, gujarati, marati, tâmil, telugo, canarês, malaiala, cingalês, nepali, chinês (simplificado e tradicional), japonês, coreano, vietnamita, tailandês, indonésio, malaio, filipino, suaíli, amárico, iorubá, zulu, africânder e outros.

Cobertura não é o mesmo que certeza. Idiomas estreitamente relacionados partilham vocabulário e sintaxe, e o modelo pode devolver um vizinho em vez da variedade exata. Uma frase curta em português pode ser classificada como espanhol, e uma frase em norueguês pode ser classificada como dinamarquês. O valor de confiança é o seu guia: quanto mais baixo for, mais o resultado deve ser encarado como uma mera estimativa.

Como utilizar o detetor

1. Escreva ou cole pelo menos algumas palavras na caixa de texto. O contador de carateres é atualizado à medida que escreve, e o botão Detetar permanece desativado até haver pelo menos três carateres.
2. Opcionalmente, prima Carregar Modelo de IA e aguarde que indique que o modelo está pronto.
3. Prima Detetar Idioma.
4. Leia o cartão de resultado: uma percentagem, o nome do idioma e o código do idioma.
5. Se o resultado parecer errado, cole uma amostra mais longa e detete novamente.
6. Prima Limpar para esvaziar a caixa e repor o resultado.

Interpretar a pontuação de confiança

A ferramenta agrupa a pontuação em três faixas. Acima de 80 por cento, classifica a deteção como de elevada confiança. Entre 50 e 80 por cento, sugere que acrescente mais texto. Abaixo de 50 por cento, avisa que o resultado é fraco. Estas faixas são auxiliares de apresentação, não garantias: uma pontuação elevada num nome de marca com duas palavras pode continuar a estar errada, e uma pontuação média num parágrafo longo pode estar correta.

Utilize a pontuação como um sinal da quantidade de evidência que o modelo encontrou, e não como uma medida da confiança geral que deve depositar na ferramenta. Quando dois idiomas são plausíveis, o segundo idioma mais bem classificado é muitas vezes a pista útil, e é por isso que uma amostra mais longa ajuda.

Obter um melhor resultado

• Use frases, não palavras isoladas. Uma única palavra é muitas vezes partilhada por vários idiomas; uma frase completa dá ao modelo gramática e palavras funcionais com que trabalhar.
• Evite nomes, códigos e números. Nomes de produtos, URLs e números de série não têm sinal linguístico e podem desviar a previsão para o idioma com que se assemelham.
• Mantenha a amostra num único idioma. Texto em vários idiomas produz uma mistura de sinais; ainda assim, o modelo devolve uma única melhor resposta, que pode ser enganadora.
• Cole texto simples. Remova HTML, carimbos de data/hora e formatação, se possível; eles adicionam ruído.
• Repita com um trecho diferente. Se duas amostras discordarem, o texto pode ser curto, misto ou genuinamente ambíguo.

O que ele não faz

Ele não traduz, não translitera, não corrige a ortografia nem identifica dialetos com certeza. Ele não lê texto romanizado de forma confiável: hindi ou urdu escritos em letras latinas muitas vezes parecem inglês ou outro idioma de escrita latina para o modelo, porque o modelo vê os caracteres, não o idioma pretendido. Ele também não retorna todos os idiomas candidatos na interface; mostra apenas o principal, mesmo quando o segundo colocado está próximo.

Privacidade e atividade de rede

Seu texto permanece no navegador. As requisições de rede que a página faz são para o próprio código da ferramenta, o runtime do MediaPipe, os arquivos WebAssembly e o arquivo do modelo; nenhuma delas contém o seu parágrafo. O navegador pode armazenar esses arquivos em cache, então uma visita posterior pode pular o download, embora limpar o cache ou um recarregamento forçado os busque novamente. Como em qualquer página, o servidor registra a requisição da própria página, mas não o texto que você digita na caixa.

Erros comuns

• Testar com uma única palavra. Entradas curtas são a principal causa de resultados surpreendentes.
• Presumir que uma pontuação baixa significa falha. Significa que as evidências são escassas; adicione texto.
• Esperar que o hindi romanizado seja detectado como hindi. A entrada em escrita latina é avaliada como um idioma de escrita latina.
• Pressionar Detectar antes de o modelo carregar e presumir que ele está quebrado. O painel de carregamento mostra o progresso; aguarde até que ele termine.
• Tratar a ferramenta como um tradutor. Ela identifica; não converte.

Limitações

O detector funciona com o texto que você cola, não com áudio ou imagens, e sua precisão depende do comprimento da amostra e da semelhança entre os idiomas. Ele informa apenas o idioma principal em vez de um ranking completo, então resultados apertados ficam ocultos. O modelo e o runtime são baixados de hosts de terceiros, o que significa que o primeiro uso exige que esses hosts estejam acessíveis. Ele não consegue detectar um idioma no qual o modelo não foi treinado, nem informar qual dialeto ou variedade regional está em uso.

Perguntas frequentes