会話型 AI: 自動音声認識

ソリューション

会話型 AI についての深い理解により、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音声データを収集、転記し、インドの遠隔地から大規模な音声データのコーパスを構築するのを支援しました。

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、データの文字起こし、メタデータを含む対応する JSON ファイルの配信 (話者と文字起こし者の両方) が含まれますが、これに限定されません。 各話者のメタデータには、匿名化された話者 ID、デバイスの詳細、性別、年齢、教育などの人口統計情報、PIN コード、社会経済的地位、話されている言語、生涯の滞在期間の記録が含まれます。 データには、文字起こし者ごとに、匿名化された文字起こし者 ID、話者と同様の人口統計の詳細、文字起こし経験期間、読み書きできる言語の詳細な内訳が組み込まれています。

シャイプが集められた 8000 数時間の音声データ / 複雑なプロジェクトの音声テクノロジーのトレーニングに必要な望ましいレベルの品質を維持しながら、800 時間に及ぶ大規模な自発音声を文字に起こします。 各参加者から明示的な同意フォームが取得されました。 収集された/自発的な音声は、大学が提供した画像に基づいています。 の 3500 イメージ、 1000 一般的であり、 2500 地域固有の文化、祭りなどに関連したものです。画像は駅、市場、天気などのさまざまな領域を表します。

データ収集

一般的なガイドライン

フォーマット

• • 16 kHz、16 ビット/サンプルのオーディオ。
  • シングルチャンネル。
  • トランスコーディングなしの生のオーディオ。

形式

• • 自発的なスピーチ。
  • 大学提供の画像をもとに文章を作成しています。 3500 枚の画像のうち、1000 枚は一般的なもので、2500 枚は地域特有の文化、祭りなどに関連しています。画像は駅、市場、天気などのさまざまな領域を表しています。

録音の背景

• • 静かでエコーのない環境で録音されました。
  • 録画中にスマートフォンの妨害（振動や通知）が発生することはありません。
  • クリッピングや遠方界効果などの歪みはありません。
  • 携帯電話からの振動は許容できません。 音声がクリアであれば、外部振動は許容できます。

スピーカー仕様

• • 年齢層は 20 ～ 70 歳で、地区ごとにバランスのとれた男女分布となっています。
  • 各地区に最低 400 人のネイティブスピーカーがいる。
  • 講演者は母国語/方言を使用する必要があります。
  • 同意書は参加者全員に必須です。

品質チェックと重要な品質保証

QA プロセスでは、音声録音と文字起こしの品質保証が優先されます。 オーディオ標準は、正確な無音、セグメントの長さ、単一話者の明瞭さ、および年齢や社会経済的地位を含む詳細なメタデータに重点​​を置いています。 転写基準では、タグの正確性、単語の正確性、および正確な分節の詳細が重視されます。 受け入れベンチマークでは、オーディオ バッチの 20% 以上がこれらの基準を満たさない場合、そのバッチは拒否されると規定されています。 差異が 20% 未満の場合は、同様のプロファイルを使用して記録を置き換える必要があります。

データの文字起こし

文字起こしガイドラインでは、単語が明確で理解可能な場合にのみ、正確さと逐語的な文字起こしを重視します。 不明瞭な単語は、問題に基づいて [理解できない] または [聞き取れない] としてマークされます。 長い音声の文の境界は でマークされます。 、文法上の誤りの言い換えや修正は許可されません。 逐語的な転写では、エラー、スラング、繰り返しがカバーされますが、誤った始まり、つなぎ音、および途切れは省略されます。 背景と前景のノイズは説明的なタグで転写され、固有名、タイトル、番号は特定の転写ルールに従います。 話者ラベルは文ごとに使用され、不完全な文は で示されます。

プロジェクトのワークフロー

ワークフローでは、音声転写プロセスについて説明します。 それは、参加者のオンボーディングとトレーニングから始まります。 アプリを使用して音声を録音し、QA プラットフォームにアップロードします。 この音声は品質チェックと自動セグメント化を受けます。 次に、技術チームは文字起こし用のセグメントを準備します。 手動での文字起こしの後は、品質保証のステップがあります。 文字起こしはクライアントに配信され、受け入れられた場合、配信は完了したものとみなされます。 そうでない場合は、クライアントのフィードバックに基づいて修正が行われます。