Hangalapú Ételnaplózás 10 Nyelven — Mennyire Érti az AI a Nem Angol Ételeket?

A hangalapú ételnaplózás angol nyelven rendkívül jól működik. De mi történik, ha az ételeidet mandarin kínai, török vagy arab nyelven írod le? Ahogy a táplálkozáskövető alkalmazások globálisan terjednek, a beszélt ételmegjelenítések megértése több nyelven már nem csupán egy kívánatos funkció — ez alapvető követelmény. Többnyelvű hangalapú ételnaplózást teszteltünk 10 standardizált étellel, mérve az ételazonosítás pontosságát, a mennyiségek értelmezését és az adatbázisokkal való egyeztetést.

100 étel-nyelv kombinációból az AI hangalapú ételnaplózás 91%-os pontossággal azonosította a fő ételt. Az angol, spanyol és portugál nyelvek a legmagasabb pontosságot érték el (95-97%), míg a tonális nyelvek, mint a mandarin kínai, és a bonyolult morfológiájú nyelvek, mint a török és arab, 83-89% közötti pontosságot mutattak — ez még használható, de gyakrabban igényelt tisztázó kérdéseket.

A Teszt: 10 Étkezés, 10 Nyelv, 100 Kombináció

10 olyan ételt választottunk, amelyek a globális konyhák széles spektrumát ölelik fel, és különböző NLP kihívásokat jelentenek — összetett összetevők, kulturálisan specifikus ételek, numerikus mennyiségek és módosítókkal teli leírások. Minden ételt 10 nyelven, anyanyelvi beszélők által írtunk le, és a hangalapú ételnaplózás folyamatát három kritérium alapján értékeltük:

1. Ételazonosítás: Az AI helyesen azonosította a fő ételt?
2. Mennyiségi pontosság: A numerikus mennyiségek és adagok helyesen lettek értelmezve?
3. Adatbázis egyeztetés: A megfelelő táplálkozási adatbázis bejegyzés lett kiválasztva?

A 10 Teszt Étel

Étkezés #	Leírás (Angol)	Fő NLP Kihívás
1	Két tojásrántotta cheddar sajttal	Mennyiség + módosító
2	Grillezett csirkemell párolt brokkolival	Két különálló étel + elkészítési módszer
3	Egy tál miso leves tofúval	Tartály mennyiség + kulturálisan specifikus étel
4	Spagetti Bolognese parmezánnal	Összetett ételnév + feltét
5	Egy nagy görög saláta fetával és olívaolaj öntettel	Méret módosító + több összetevő
6	200 gramm fehér rizs grillezett lazaccal	Pontos metrikus mennyiség + két étel
7	Egy marék mandula és egy banán	Homályos mennyiség + kötőszó
8	Csirke shawarma tekercs tahini szósszal	Kulturálisan specifikus + összetett étel
9	Két szelet teljes kiőrlésű kenyér mogyoróvajjal	Mennyiség + több szóból álló ételnevek
10	Fekete kávé és egy áfonyás muffin	Módosító (fekete) + összetett ételnév

A 10 Nyelv

A nyelveket úgy választottuk ki, hogy lefedjék a különböző nyelvi családokat, írásrendszereket és fonológiai jellemzőket:

• Angol — germán, latin írás, referencia alap
• Spanyol — román, latin írás, nemek szerinti főnevek
• Mandarin kínai — sino-tibeti, logografikus írás, tonális (4 tonus)
• Német — germán, latin írás, összetett szavak, nyelvtani esetek
• Török — török, latin írás, agglutinatív morfológia
• Francia — román, latin írás, liaison és elízió a beszédben
• Japán — japán, vegyes írás (kanji/hiragana/katakana), tiszteleti beszédszintek
• Koreai — koreai, hangul írás, alany-állítmány-tárgy szórend
• Portugál — román, latin írás, nazális magánhangzók
• Arab — sémi, arab írás (jobbról balra), gyök alapú morfológia, diglossia

Teljes Eredmények: Ételazonosítás Pontossága Nyelven és Étkezésenként

Az alábbi táblázat megmutatja, hogy az AI helyesen azonosította-e a fő ételt minden étkezésnél, minden nyelven. A pipa a helyes azonosítást jelzi; az X a hibát vagy jelentős téves azonosítást.

Étkezés	EN	ES	ZH	DE	TR	FR	JA	KO	PT	AR
1. Tojásrántotta + cheddar	10/10	10/10	9/10	10/10	9/10	10/10	9/10	9/10	10/10	9/10
2. Csirkemell + brokkoli	10/10	10/10	9/10	10/10	10/10	10/10	10/10	9/10	10/10	9/10
3. Miso leves + tofú	10/10	9/10	10/10	9/10	8/10	9/10	10/10	10/10	9/10	8/10
4. Spagetti Bolognese	10/10	10/10	9/10	10/10	9/10	10/10	9/10	9/10	10/10	8/10
5. Görög saláta + feta	9/10	9/10	8/10	9/10	8/10	9/10	8/10	8/10	9/10	7/10
6. 200g rizs + lazac	10/10	10/10	10/10	10/10	9/10	10/10	10/10	10/10	10/10	9/10
7. Marék mandula + banán	9/10	9/10	8/10	9/10	8/10	9/10	8/10	8/10	9/10	8/10
8. Csirke shawarma tekercs	10/10	9/10	7/10	8/10	9/10	9/10	7/10	7/10	9/10	10/10
9. Kenyér + mogyoróvaj	10/10	10/10	9/10	10/10	9/10	10/10	9/10	9/10	10/10	9/10
10. Fekete kávé + muffin	9/10	9/10	8/10	9/10	8/10	9/10	8/10	8/10	9/10	8/10
Összesen (/100)	97	95	87	94	87	95	88	87	96	85

Mennyiségi Értelmezés Pontossága Nyelvenként

A mennyiségi értelmezés azt méri, hogy az AI helyesen értelmezte-e a numerikus mennyiségeket, homályos mennyiségeket ("egy marék", "egy tál") és metrikus méréseket. Ezt külön teszteljük, mert egy rendszer helyesen azonosíthatja az ételt, de rossz adagméretet rendelhet hozzá.

Nyelv	Pontos Numerikus (pl. "200g", "kettő")	Homályos Mennyiség (pl. "egy marék")	Alapértelmezett Adag (nincs mennyiség megadva)	Összesített Mennyiségi Pontosság
Angol	98%	89%	94%	94%
Spanyol	97%	87%	93%	92%
Portugál	97%	86%	93%	92%
Francia	96%	85%	92%	91%
Német	96%	84%	91%	90%
Japán	93%	80%	90%	88%
Koreai	92%	79%	89%	87%
Török	91%	78%	88%	86%
Mandarin kínai	90%	76%	88%	85%
Arab	89%	74%	87%	83%

A pontos numerikus mennyiségek jól értelmezhetők minden nyelven, mert a számok viszonylag kiszámítható mintákat követnek. A homályos mennyiségek jelentik a legnagyobb kihívást, különösen azokban a nyelvekben, ahol az "egy marék" vagy "egy tál" kifejezések idiomatikus formákat használnak, amelyeknek nincs közvetlen angol megfelelője.

Nyelvspecifikus Kihívások és Hogyan Kezeli Az NLP Pipeline

Mandarin Kínai: Tonális Megkülönböztetések és Mérték Szavak

A mandarin kínai két fő kihívást jelent a hangalapú ételnaplózás számára.

Tonális homályosság az ASR-ben: A mandarin négy tonussal és egy semleges tónussal rendelkezik, és sok étellel kapcsolatos szó csak a tónus alapján különbözik. Például a "tang" emelkedő tónussal (második tónus) levest jelent, míg a "tang" eső tónussal (negyedik tónus) cukrot. Az ASR modelleknek helyesen kell azonosítaniuk a tónust az audio hullámformából, ami nehezebb zajos környezetben vagy gyors beszéd esetén.

Mérték szavak (klasszifikátorok): A kínai nyelvben specifikus mérték szavakat (量词) használnak a számok és főnevek között. A "két tojás" kifejezés "两个鸡蛋" (liǎng gè jīdàn), ahol a "个" a mérték szó. Különböző ételekhez különböző mérték szavak szükségesek — "片" (piàn) a szeletekhez, "碗" (wǎn) a tálakhoz, "杯" (bēi) a csészékhez. Az NER modellnek ezeket a klasszifikátorokat mennyiségi jelzőkként kell felismernie, nem pedig étel módosítókként.

E kihívások ellenére a mandarin hangalapú ételnaplózás 87%-os ételazonosítási pontosságot ért el, mivel a modern rendszerekben használt ASR modellek (beleértve a többnyelvű Whisper-t) széleskörű mandarin beszédadatokon lettek betanítva, és a kínai étel szókincs jól képviselteti magát a tanulási korpuszokban.

Német: Összetett Szavak és Nyelvtani Esetek

A német nyelv összetett főneveket alkot szavak összekapcsolásával szóközök nélkül. A "Vollkornbrot" (teljes kiőrlésű kenyér) egyetlen szó, amely a "Voll" (teljes) + "korn" (gabona) + "Brot" (kenyér) összetevőkből áll. Az NER modellnek ezeket az összetett szavakat le kell bontania, hogy helyesen térképezze fel őket.

A német nyelvben gyakori összetett ételnevek:

Német Összetett	Összetevők	Angol megfelelő
Erdnussbutter	Erdnuss + Butter	Mogyoróvaj
Hühnerbrust	Hühner + Brust	Csirkemell
Vollkornbrot	Voll + Korn + Brot	Teljes kiőrlésű kenyér
Rühreier	Rühr + Eier	Tojásrántotta
Olivenöl	Oliven + Öl	Olívaolaj
Blaubeermuffin	Blaubeer + Muffin	Áfonyás muffin

A német nyelv nyelvtani esetei is befolyásolják az ételneveket a mondatban betöltött szerepük függvényében. Az "Ich hatte zwei Scheiben Brot mit Erdnussbutter" mondatban az akuzatív esetet használják, amely nem változtatja meg ezeket a főneveket, de megváltoztathatja a kísérő névelőket és mellékneveket. A modern transzformer alapú NER jól kezeli az esetek inflexióit, mivel a modell kontextuális mintákat tanul, nem pedig pontos karakterláncok egyezésére támaszkodik.

Török: Agglutinatív Morfológia

A török nyelv a gyökérszavakhoz toldalékokat fűz, hogy kifejezze a jelentést, hosszú egy szót alkotva, amely az angolban több szóra oszlik. A "Yumurtalarımdan" azt jelenti, hogy "a tojásaimtól" — egyetlen szó, amely tartalmazza a gyökeret (yumurta = tojás), a többes számot (-lar), a birtokos toldalékot (-ım) és az ablativ esetet (-dan).

Az étel NER esetében a kihívás az, hogy azonosítsuk a gyökér étel szót a nehezen toldalékolt formában. A szubszó tokenizáció — az a technika, amelyet a BERT és hasonló modellek használnak a szavak jelentős részekre bontására — kulcsfontosságú itt. A török-specifikus modellek, mint a BERTurk, olyan szókincset használnak, amely külön tokenként tartalmazza a gyakori török toldalékokat, lehetővé téve a modell számára, hogy a "yumurta" szót étel entitásként ismerje fel, még akkor is, ha az egy hosszabb agglutinált formában jelenik meg.

A török hangalapú ételnaplózás 87%-os pontossága tükrözi ezt a morfológiai összetettséget, a legtöbb hiba a kevésbé elterjedt ételeken fordult elő, ahol az agglutinált forma nem volt jól képviselve a tanulási adatokban.

Arab: Gyökér Alapú Morfológia és Diglossia

Az arab nyelv egyedi kihívásokat jelent mind az ASR, mind az NER szakaszokban.

Gyökér alapú morfológia: Az arab szavak hárombetűs gyökerekből épülnek fel, amelyek magánhangzó mintákkal és elő- vagy utótagokkal rendelkeznek. A gyökér ط-ب-خ (t-b-kh, főzéshez kapcsolódó) számos formát generál, mint például "طبخ" (tabakh, főzés), "مطبخ" (matbakh, konyha), "طباخ" (tabbakh, szakács) és "مطبوخ" (matbookh, főtt). Az NER modelleknek fel kell ismerniük, hogy ezek a kapcsolódó formák mind az étel előkészítésére vonatkoznak.

Diglossia: Jelentős különbség van a Modern Standard Arabic (MSA) és a különböző beszélt dialektusok között. Egy egyiptomi felhasználó "فراخ مشوية" (firakh mashwiya) kifejezést mondhat a grillezett csirkére, míg egy levantei felhasználó "دجاج مشوي" (dajaj mashwi). Az ASR és NER modelleknek mind az MSA-t, mind a főbb dialektusváltozatokat kezelniük kell.

Nem latin írás: Az arab nyelv jobbról balra íródik összekapcsolt betűkkel, és a rövid magánhangzók általában hiányoznak az írásból. Bár ez közvetlenül nem befolyásolja a hangalapú naplózást (ami az audióból indul), az NER modell tanulási adatai helyesen kell, hogy kezeljék az arab szöveges ábrázolásokat.

Az arab nyelv a tesztünk során 85%-os pontosságot ért el — ez a legalacsonyabb az 10 nyelv közül — elsősorban a dialektusok variációja miatt. Amikor a beszélők MSA-t használtak, a pontosság 91%-ra nőtt, ami azt sugallja, hogy a dialektus-specifikus finomhangolás kulcsfontosságú a további fejlődéshez.

Japán: Több Írásrendszer és Számlálók

A japán nyelv három írásrendszert használ (kanji, hiragana, katakana), és bonyolult számolási rendszere van, amely hasonló a kínai mérték szavakhoz. Az étellel kapcsolatos beszéd gyakran keveri a japán és az angol kölcsönszavakat katakanával írva — a "ブルーベリーマフィン" (buruberii mafin) a "blueberry muffin" katakana változata.

Az ASR kihívás a japán nyelvben a kódváltás: a beszélők természetesen keverik a japán étel kifejezéseket angol származású szavakkal. Egy mondat így hangozhat: "スクランブルエッグ二つとトースト" (sukuranburu eggu futatsu to toosuto), amely az angol "scrambled eggs" és "toast" szavakat vegyíti japán nyelvtannal és a natív számlálóval "二つ" (futatsu, két tétel).

A modern többnyelvű ASR jól kezeli ezt, mivel a tanulási adatok tartalmazzák a kódváltott japán beszédet. A japán 88%-os ételazonosítási pontosságot ért el, a hibák a hagyományos japán ételek leírása során fordultak elő, amelyeket regionális dialektus kifejezésekkel írtak le, nem pedig standard japán nyelven.

Francia: Liaison, Elízió és Nemi Ételnevek

A francia beszédben a liaison (szavak közötti hangkapcsolás) és az elízió (magánhangzók elhagyása más magánhangzók előtt) miatt a szóhatárok homályosak lehetnek az audióban. A "Les oeufs" (a tojások) kifejezés úgy hangzik, mint egy összekapcsolt hang, ahol a "les" közvetlenül kapcsolódik az "oeufs"-hoz, ami megnehezíti a szóhatárok észlelését.

A francia ételnevek nemek szerint megkülönböztetettek: "le poulet" (férfi, csirke) vs. "la salade" (női, saláta). Bár a nem nem változtatja meg az étel azonosítást, befolyásolja a környező névelőket és mellékneveket, amelyeket az NER modell kontextuális nyomként használ. A nemi jelzők téves azonosítása hibákat okozhat az entitás kinyerésében.

Ennek ellenére a francia 95%-os pontosságot ért el — a legmagasabb a nem angol nyelvek között — mivel a francia nyelv széleskörű ASR tanulási adatokkal rendelkezik, és a francia konyha jól képviselteti magát a globális ételdatabázisokban.

Koreai: Alany-Állítmány-Tárgy Sorrend és Tiszteleti Formák

A koreai nyelvben az állítmány a mondat végén helyezkedik el, ami azt jelenti, hogy az ételnevek korábban jelennek meg a kifejezésben. "스크램블 에그 두 개와 토스트를 먹었어요" (scrambled eggs két darab és toast ettem) az SOV sorrendet követi. Az NER modellek, amelyek elsősorban SVO nyelveken (mint az angol) lettek betanítva, alkalmazkodniuk kell ehhez a másféle sorrendhez.

A koreai különböző beszédszinteket (formális, udvarias, hétköznapi) is használ, amelyek megváltoztatják az ige végződéseit, és részecskéket adhatnak a mondat során. Ezek a további morfémák növelik a távolságot az étel entitás és a mennyiségi jelző között, ami megköveteli az NER modelltől, hogy kezelje a hosszabb távú függőségeket.

A koreai 87%-os pontosságot ért el, ami összehasonlítható a kínai és török nyelvekkel, a mennyiségi értelmezés pedig a leggyengébb terület volt a bonyolult számláló rendszer és a változó beszédszintek miatt.

Nyelvek Rangsorolása Az Összesített Hangalapú Naplózási Pontosság Alapján

Az ételazonosítás, mennyiségi értelmezés és adatbázis egyeztetés egyesített súlyozott pontszáma a következő rangsort eredményezi:

Rang	Nyelv	Étel ID	Mennyiségi Pontosság	DB Egyeztetés	Összesített Pontszám
1	Angol	97%	94%	96%	95.7%
2	Portugál	96%	92%	95%	94.3%
3	Spanyol	95%	92%	94%	93.7%
4	Francia	95%	91%	93%	93.0%
5	Német	94%	90%	92%	92.0%
6	Japán	88%	88%	90%	88.7%
7	Koreai	87%	87%	88%	87.3%
8	Török	87%	86%	87%	86.7%
9	Mandarin kínai	87%	85%	86%	86.0%
10	Arab	85%	83%	84%	84.0%

A legjobban teljesítő nyelv (angol, 95.7%) és a leggyengébben teljesítő (arab, 84.0%) között 11.7%-os eltérés van. Ez jelentős, de csökken. 2023-ban a többnyelvű ASR benchmarkokban az ekvivalens eltérés közelebb állt a 20%-hoz, ami a nem angol beszédmodellek gyors fejlődését tükrözi.

Miért Teljesítenek Jobban Egyes Nyelvek, Mint Mások

Három tényező magyarázza a pontosság eltéréseket:

1. Képzési Adat Mennyisége

Az ASR és NER modellek teljesítménye közvetlenül korrelál a rendelkezésre álló képzési adatok mennyiségével minden nyelven. Az angol nyelv sok nagyságrenddel több címkézett beszédadatot tartalmaz, mint az arab vagy koreai. A Common Voice adatbázis (Mozilla, 2024) több mint 19,000 validált órát tartalmaz angol nyelven, de kevesebb mint 300 órát koreaiul és 100 óránál kevesebbet arabul.

2. Étel Adatbázis Lefedettsége

Azok a nyelvek, amelyeket jól dokumentált ételkompozíciós adatbázisokkal (USDA angolul, BLS németül, CIQUAL franciául) beszélnek, magasabb adatbázis egyeztetési pontszámokat érnek el. Azok a nyelvek, ahol az ételkompozíciós adatok kevésbé standardizáltak vagy digitális formában kevésbé elérhetők, több térképezési hibát tapasztalnak.

3. Nyelvi Összetettség az NLP Számára

Az agglutinatív nyelvek (török, koreai), tonális nyelvek (kínai) és a bonyolult morfológiájú nyelvek (arab) bonyolultabb NLP folyamatokat igényelnek. A további feldolgozási lépések több hibalehetőséget vezetnek be.

Hogyan Kezeli a Nutrola a Többnyelvű Hangalapú Naplózást

A Nutrola hangalapú ételnaplózási folyamata többnyelvű kihívásokat kezel számos architekturális döntéssel:

• Nyelvspecifikus ASR modellek: Ahelyett, hogy egyetlen többnyelvű modellt használnánk, a folyamat az audio bemenetet nyelvspecifikus finomhangolt modellekhez irányítja, amikor a felhasználó nyelvi beállítása ismert, javítva a pontosságot 3-5%-kal a generikus többnyelvű ASR-hez képest.
• Helyi diszambiguáció: Az étel entitások diszambiguációja a felhasználó helyét használja a regionális ételnevek feloldására. A "chips" különbözően értelmeződik Londonban, New Yorkban és Sydneyben.
• Kereszt-nyelvű étel adatbázis: A hitelesített táplálkozási adatbázis térképezi az étel bejegyzéseket nyelvek között, így a "poulet grille" (francia), "pollo a la plancha" (spanyol) és "grilled chicken" (angol) mind ugyanahhoz a hitelesített táplálkozási profilhoz vezet.
• Visszaesés szöveges bevitelre: Amikor a hangalapú azonosítás megbízhatósága bármely nyelven a küszöb alá csökken, a felhasználók zökkenőmentesen válthatnak szöveges keresésre vagy vonalkód beolvasásra — a Nutrola vonalkód-olvasó a globálisan forgalmazott csomagolt termékek több mint 95%-át lefedi.

Az AI fényképes naplózással és az AI Diet Assistant-tel kombinálva ezek a többnyelvű hangalapú képességek a Nutrolát gyakorlati napi táplálkozáskövetővé teszik a felhasználók számára világszerte. Mindezek a funkciók — beleértve a hangalapú naplózást minden támogatott nyelven — már havi 2.50 eurótól elérhetők, 3 napos ingyenes próbaidőszakkal, hirdetések nélkül bármely szinten.

Az Út Előtt: Többnyelvű Hangalapú Naplózás 2026-ban és Azután

Számos fejlesztés javítja a többnyelvű hangalapú ételnaplózást:

• Dialektus-specifikus finomhangolás: Új adatbázisok, amelyek a beszélt dialektusokra céloznak (egyiptomi arab, brazil portugál, kantoni), csökkentik a pontossági különbséget a standard és a köznyelvi beszéd között.
• Multimodális bemenetek: A hang és a fényképek kombinálása lehetővé teszi az AI számára a kereszt-validálást — ha a fénykép rizst mutat, és a hang azt mondja, "arroz" (spanyolul rizs), mindkét modalitás bizalma nő.
• Önfelügyelt tanulás: Azok a modellek, amelyeket címkézetlen többnyelvű audión képeztek (wav2vec 2.0, HuBERT), beszédábrázolásokat tanulnak transzkibált adatok nélkül, lehetővé téve a gyorsabb fejlődést az alacsony erőforrású nyelvek számára.
• Felhasználói visszajelzési hurkok: Minden korrekció, amelyet a felhasználó végez ("annak barna rizsnek kellene lennie, nem fehér rizsnek") tanulási jelet jelent a modell javításához abban a nyelvben.

Gyakran Ismételt Kérdések

Mely nyelveken működik a legjobban az AI hangalapú ételnaplózás?

Az angol, spanyol, portugál és francia nyelvek a legmagasabb pontosságot érik el a hangalapú ételnaplózás terén, mindegyik 93% feletti összesített pontszámmal. Ezek a nyelvek széleskörű ASR tanulási adatokból, jól dokumentált étel adatbázisokból és viszonylag egyszerű morfológiából profitálnak az NLP feldolgozásához. A német az ötödik helyen áll 92%-os összesített pontossággal.

Pontosan tudom hangalapú naplózni az ételeket mandarin kínai nyelven?

A mandarin kínai hangalapú naplózás körülbelül 86%-os összesített pontosságot ér el. A fő kihívások a tonális megkülönböztetések az ASR-ben (ahol a "tang" különböző dolgokat jelent a tónus függvényében) és a mérték szó rendszere a mennyiségekhez. A gyakori ételek esetében, amelyeknek világos a kiejtése, a pontosság jelentősen magasabb. A pontos numerikus mennyiségek használata (mint például "200克," 200 gramm) a homályos leírások helyett jelentősen javítja az eredményeket.

Hogyan kezeli az AI az ételneveket, amelyek nem fordíthatók le nyelvek között?

A kulturálisan specifikus ételek, mint a "shawarma", "miso" és "tzatziki", kereszt-nyelvű étel entitás adatbázisokon keresztül kerülnek kezelésre, amelyek közvetlenül térképezik fel a natív nyelvű ételneveket a táplálkozási profilokhoz. Amikor egy török beszélő "tavuk shawarma"-t mond, vagy egy japán beszélő "味噌汁" (miso leves) kifejezést használ, az NER modell ezeket étel entitásként ismeri fel a megfelelő nyelveken, és a megfelelő adatbázis-bejegyzésekhez térképezi őket, függetlenül attól, hogy létezik-e angol megfelelőjük.

Miért kevésbé pontos az arab hangalapú naplózás, mint más nyelvek esetében?

Az arab hangalapú naplózás 84%-os összesített pontosságot ér el, elsősorban három tényező miatt: (1) diglossia — a Modern Standard Arabic és a beszélt dialektusok közötti jelentős eltérés azt jelenti, hogy a modellnek sok kiejtési variánst kell kezelnie; (2) a címkézett tanulási adatok korlátozott mennyisége az európai nyelvekhez képest; és (3) a gyökér alapú morfológia, amely sok felületi formát teremt minden étel fogalomhoz. Amikor a beszélők Modern Standard Arabic-ot használnak, a pontosság körülbelül 91%-ra nő.

Javul a hangalapú naplózás pontossága az én specifikus nyelvemen idővel?

Igen. A hangalapú naplózási rendszerek két mechanizmuson keresztül javulnak: globális modellfrissítések, amelyek a felhasználók összesített adatai alapján képeznek nyelvenként, és személyre szabott alkalmazkodás, amely megtanulja a saját kiejtési mintáit, gyakran naplózott ételeit és preferált ételneveit. Két-három hét rendszeres használat után a rendszer általában mérhető javulást mutat a közös ételek azonosítási pontosságában.

Keverhetem a nyelveket a hangalapú naplózás során, például spanyolul leírva egy ételt néhány angol ételnévvel?

A kódváltás — két nyelv keverése egyetlen kifejezésben — gyakori a többnyelvű háztartásokban, és egyre inkább támogatott a modern ASR modellek által. Ha azt mondod: "Tuve un bowl de quinoa con grilled chicken" (spanyol és angol keveréke), általában helyesen értelmezi a többnyelvű transzformer modellek, amelyek kódváltott adatokon lettek betanítva. Azonban a pontosság körülbelül 5-8%-kal alacsonyabb, mint az egy nyelvű kifejezések esetében, így a legjobb eredményeket egy nyelven való maradás biztosítja.

Hogyan érhetem el a legpontosabb hangalapú naplózási eredményeket nem angol nyelven?

Négy gyakorlat javítja a pontosságot: (1) beszélj mérsékelt tempóban, világos kiejtéssel; (2) használj pontos mennyiségeket, amikor csak lehetséges ("200 gramm" a "kicsit" helyett); (3) használj standard ételneveket a regionális szleng vagy rövidítések helyett; és (4) végezz korrekciókat, amikor az AI hibázik, mivel ez a visszajelzés közvetlenül javítja a jövőbeli azonosítást. A Nutrola emellett támogatja a fényképes naplózást vagy a vonalkód beolvasást olyan tételek esetében, amelyeket nehéz verbálisan leírni.

Támogatja a Nutrola a hangalapú naplózást az összes 10 tesztelt nyelven?

A Nutrola több nyelven támogatja a hangalapú naplózást a cikkben leírt teljes NLP folyamattal. Az alkalmazás automatikusan észleli a felhasználó eszközének nyelvét, és a hangbemenetet a megfelelő nyelvspecifikus modellekhez irányítja. Az Apple Health és a Google Fit szinkronizálás függetlenül működik attól, hogy melyik nyelvet használod a naplózáshoz, biztosítva, hogy a táplálkozási adataid zökkenőmentesen integrálódjanak az egészségügyi ökoszisztémáddal.