案例研究：對話式人工智能

解決方案

憑藉對對話式人工智能的深刻理解，我們與專家收集者、語言學家和註釋者團隊一起幫助客戶收集、分割和轉錄數據，以建立 8 種印度語言的大型音頻數據集語料庫

Shaip 的工作範圍包括但不限於獲取大量音頻訓練數據、將錄音分割為多個、轉錄數據並提供包含元數據 [SpeakerID、年齡、性別、語言、方言、
母語、資格、職業、領域、文件格式、頻率、頻道、音頻類型、發言者數量、外語數量、使用的設置、窄帶或寬帶音頻等]。 

Shaip 大規模收集了 3000 小時的音頻數據，同時保持了為複雜項目訓練語音技術所需的所需質量水平。 每個參與者都獲得了明確的同意書。

1。 數據採集

2. 數據分割

• 收集到的音頻數據進一步分為每個 15 秒的語音片段，並針對每個給定的說話者、聲音類型、對話中的回合、話語和短語添加時間戳至毫秒
• 為其目標聲音信號創建每個片段，並在聲音信號的開頭和結尾處填充 200-400 毫秒。
• 對於所有片段，存在並填充以下對象，即開始時間、結束時間、片段 ID、響度級別（響亮、正常、安靜）、主要聲音類型（語音、胡言亂語、音樂、噪音、重疊）、語言代碼揚聲器ID、轉錄等

3. 質量檢查和反饋

• 所有錄音均經過質量評估，並且僅交付 WER 為 90%、TER 為 90% 且經過驗證的語音錄音
• 質量檢查表如下：
     » 片段長度最長 15 秒
     » 來自特定領域的轉錄，即：天氣、不同類型的新聞、健康、農業、教育、就業或金融
     » 低背景噪聲
     » 沒有音頻剪輯關閉 – 無失真
     » 正確的轉錄音頻分段

4. 數據轉錄
所有口語單詞，包括猶豫、填充詞、錯誤的開頭和其他言語抽動，都在轉錄中被準確捕捉。 我們還遵循有關大寫和小寫字母、拼寫、大寫、縮寫、縮寫、數字的詳細轉錄指南，
標點符號、首字母縮略詞、不流利的語音、非語音噪音等。此外，收集和轉錄遵循的工作流程如下：