ケーススタディ：会話型AI

ソリューション

会話型 AI についての深い理解に基づいて、当社はクライアントが専門収集家、言語学者、アノテーターのチームと協力してデータの収集、セグメント化、転記を支援し、8 つのインド言語で音声データセットの大規模なコーパスを構築しました。

Shaip の作業範囲には、大量の音声トレーニング データの取得、音声録音の複数のセグメント化、データの文字起こし、メタデータ [SpeakerID、年齢、性別、言語、方言、
母国語、資格、職業、ドメイン、ファイル形式、周波数、チャンネル、音声の種類、話者の数、外国語の数、使用するセットアップ、狭帯域または広帯域の音声など]。 

Shaip は、複雑なプロジェクトの音声技術をトレーニングするために必要な品質レベルを維持しながら、3000 時間の音声データを大規模に収集しました。 各参加者から明示的な同意フォームが取得されました。

1。 データ収集

2. データのセグメント化

• 収集された音声データはさらに、それぞれ 15 秒の音声セグメントに分割され、会話内の特定の話者、音の種類、ターン、発話、およびフレーズごとにミリ秒単位のタイムスタンプが付けられました。
• サウンド信号の開始と終了に 200 ～ 400 ミリ秒のパディングを使用して、ターゲットのサウンド信号の各セグメントを作成しました。
• すべてのセグメントについて、次のオブジェクトが存在し、入力されています。つまり、開始時間、終了時間、セグメント ID、ラウドネス レベル (大声、標準、静か)、主サウンド タイプ (スピーチ、せせらぎ、音楽、ノイズ、オーバーラップ)、言語コード スピーカー ID、文字起こしなどです。

3. 品質チェックとフィードバック

• すべての録音の品質が評価され、WER 90%、TER 90% の検証済み音声録音のみが配信されました。
• 品質チェックリストに従ってください:
     » 最大 15 秒のセグメント長
     » 特定のドメインからの文字起こし: 天気、さまざまな種類のニュース、健康、農業、教育、仕事、金融
     » 低バックグラウンドノイズ
     » オーディオクリップなし – 歪みなし
     » 文字起こしのための正しい音声セグメンテーション

4. データの転記
ためらい、つなぎ言葉、間違った話し始め、その他の言葉のチックを含むすべての話し言葉が、文字起こしに正確にキャプチャされました。 また、大文字と小文字、スペル、大文字の使用、略語、短縮形、数字などの詳細な転写ガイドラインに従いました。
句読点、頭字語、流暢なスピーチ、非スピーチノイズなど。さらに、収集と転写のワークフローは次のとおりです。