有幾種不同類型的客戶端——有些清楚地知道應該如何構建他們的語音數據,而有些則更靈活地使用他們的方法。
作為服務提供商,我們必須確保滿足客戶的兩個要求。 但是,對於要求靈活的客戶,他們可能沒有完全給予 語音數據採集 一個完整的想法。
這就是語音數據集提供者的貢獻發揮作用的地方。
我們有責任在開始音頻之前展示要記住的要點 數據收集 項目,以便讓人工智能組織確定可行、高效和具有成本效益的解決方案。
預計全球語音識別市場將增長至 $ 27.16十億的2026 從 10.7 年的 2020 億美元開始,複合年增長率為 16.8%。
讓我們看看在定制之前要記住的所有有效方法或要點 語音數據採集 項目。
- 語言和人口統計
- 集合大小
- 腳本的結構
- 音頻要求和格式
- 交付和處理要求
- 其他需要注意的關鍵點
語言和人口統計
該項目應首先指定目標語言和目標人群。
語言和方言
首先要牢記項目要求——收集和定制語音數據集的語言。 此外,了解具體的熟練程度要求。 例如,參與者應該是母語人士還是非母語人士?
譬如講, – 以英語為母語的人
緊跟語言的是方言。 為確保數據集不受偏見影響,建議有意引入方言以適應參與者的多樣性。
譬如講, – 澳大利亞英語口音的演講者
國家
在進行定制之前,重要的是要了解參與者是否應來自特定國家/地區的特定要求。 並且,參與者目前是否應該居住在特定國家。
譬如講, – 印度和巴基斯坦的旁遮普語使用不同。
人口統計
除了語言和地理,還可以根據人口統計數據進行定制。 還可以根據參與者的年齡、性別、學歷等進行目標分配。
譬如講, – 成人與兒童或受過教育與未受過教育
收藏尺寸
您的數據集將影響數據項目的性能。 但是,您需要的收集數據大小也將決定所需的參與者。
受訪者總數
確定項目所需的參與者總數。 如果項目需要語言 音頻數據採集,您應該分析每種目標語言所需的參與者總數。
譬如講, – 50% 的美國英語和 50% 的澳大利亞英語使用者
話語總數
要構建語音數據集合,請確定每個參與者的話語總數或重複次數或所需的總重複次數。
譬如講, – 50 名參與者,每位參與者 25 次話語 = 1250 次重複
腳本結構
腳本也可以根據項目需要進行定制,建議尋求幫助 言語治療師 設計文本流。 如果 ML 模型必須在結構良好的數據上進行訓練,則必須考慮腳本和工作流程。
腳本與非腳本
您可以選擇使用腳本文本或自然或非腳本文本以供參與者閱讀。
在腳本文本演講中,參與者閱讀屏幕上顯示的內容。 這種方法主要用於記錄命令或指令。
譬如講, - “關閉音樂”,“按 1 錄製。”
在即興演講中,參與者被賦予場景,並要求他們構建句子並儘可能自然地說話。
譬如講, - “你能告訴我下一個加油站在哪裡嗎?”
話語收集/喚醒詞
如果使用腳本文本,您必須決定將使用的腳本數量,以及每個參與者將閱讀一個獨特的腳本還是一組腳本。 此外,確定腳本是否包含喚醒詞和命令的集合。
譬如講, -
命令 1:
“Alexa,巧克力紙杯蛋糕的配方是什麼?”
“Ok Google,巧克力紙杯蛋糕的配方是什麼?”
“Siri,巧克力紙杯蛋糕的配方是什麼?”
命令 2:
“Alexa,飛往紐約的航班是什麼時候?”
“谷歌,去紐約的航班什麼時候?”
“Siri,什麼時候飛紐約?”
音頻要求和格式
音頻質量在語音識別中起著至關重要的作用 數據收集 過程。 分散背景噪音會對收集的語音筆記的質量產生負面影響。 這也可能降低語音識別算法的有效性。
音頻質量
錄音的質量和背景噪音的存在會影響項目的結果。 但是一些語音數據集合接受噪聲的存在。 但是,建議更好地了解比特率、信噪比、幅度等方面的要求。
格式
文件格式, 數據點、內容結構、壓縮和後處理要求也決定了語音記錄的質量。
文件格式之所以如此重要,是因為模型必須識別文件輸出並接受訓練以識別特定的聲音質量。
定義自定義音頻要求
在開始收集過程之前,應提及自定義音頻要求。 客戶可以選擇將特定文件組合在一起的自定義音頻文件。
交付和處理要求
收集語音數據後,客戶可以根據自己的要求選擇交付。
轉錄和註釋要求
一些客戶在交付之前需要數據轉錄和標記。 此外,它們可能還需要特定形式的標籤和分割。
有時最好尋求 語言病理學家 和專家幫助轉錄各種語言的語音,以保持目標語言的真實性。
文件命名約定
數據收集表格 應指定要遵循的任何文件命名約定。 如果命名約定很複雜或超出流程的標準範圍,則可能會吸引額外的開發成本。
交付指南
應按照項目要求中的規定遵循安全和交付指南。 此外,如果數據要以小里程碑形式交付或作為一個完整的包立即交付,則應指定。 客戶也更喜歡及時 進度監控 更新,以便他們可以跟踪項目狀態。
其他需要注意的關鍵點
定制將影響如何,
- 數據收集方法 舊
- 招募參與者
- 交貨時間表
- 項目的暫定成本
在選擇合適的供應商時,您必須確保與既具有提供定制選擇的經驗又具有輕鬆擴展項目的靈活性的人合作。 語音數據收集的本質是隨著時間的推移而發展和復雜性變化,正確的提供者應該能夠跟上步伐。
當您只需要靈活性和可擴展性時,Shaip 是正確的選擇。 我們根據您的具體項目要求提供可定制的服務。 我們提供可擴展且靈活的 數據採集解決方案 以有競爭力的價格進行多語言項目。 與我們的專家交談,了解我們的語音數據收集和定制技術如何在開發對話式 AI 中發揮作用。
[另請閱讀: 語音識別訓練數據——類型、數據收集和應用]