プロジェクト概要：インド諸言語に対応した多言語音声エンジンの構築
クライアントは、米国、インド、カナダをはじめとする複数の国で市場展開を行う、インドを代表するAI製品開発ラボです。彼らのビジョンは、テクノロジーを通じて人間の潜在能力を拡張することです。彼らは、10年以上にわたり、自然言語処理（NLP）、人工知能（AI）、機械学習（ML）、分析、可視化、および関連技術に関する最先端の科学研究を行ってきました。
彼らは、ICOGやAutovoxといったAI製品で人間と機械のインタラクションの最前線を切り開いています。ICOGは、従業員の学習と変革の目標に向けたAIベースのパーソナライズされたインテリジェント仮想学習アシスタントであり、一方、AutovoxはAI搭載の音声認識システムです。
インド諸言語処理エンジン。
主な成果：6言語で合計1,200時間の注釈作業を実施
音声の文字起こしと注釈
1,200可能時間
の番号
言語
6（200時間×6言語）
言語の書き起こしと注釈
インド英語、ヒンディー語、タミル語、テルグ語、カンナダ語、マラヤーラム語
プロジェクト
タイムライン
10·ウィークス
課題：インド諸言語の音声注釈のための専門言語学者の確保
質の高い言語学者やデータアノテーターの不足、そして市場投入までの時間の短さが、対話型AIの発展と普及におけるボトルネックとなってきました。言語学者の確保、大量のデータセットの書き起こしとアノテーションを、AI機能の構築に必要な品質で行うことは常に時間とコストのかかる作業であり、さまざまな分野の熟練した人材を必要とします。社内にアノテーターのチームがあったにもかかわらず、納期とアノテーションの品質に問題が生じていました。
クライアントの重要な要件は次のとおりです。
- 質の高い言語専門家へのアクセス： インド英語、ヒンディー語、タミル語、テルグ語、カンナダ語、マラヤーラム語などのインド諸語の専門言語学者へのアクセスが不足している。
- 音声の文字起こしと注釈： 複雑な音声注釈および文字起こしに関するガイドライン（最低精度95%）
- データ配信: 文字起こしファイルはJSON形式で10週間以内に納品してください。
解決策：専門言語学者による音声文字起こしと注釈
当社は会話型AIに関する深い理解に基づき、専門の言語学者と注釈者のチームを活用して、クライアントから提供されたデータセットの文字起こしと注釈付けを行い、インド諸言語向けのAI搭載音声処理エンジンのトレーニングを支援しました。
業界の大手企業を含む多数のベンダーを評価した結果、クライアントは、厳しい納期の中で大規模な対話型AIプロジェクトを完了させる当社の専門知識と、競争力のある価格で提供する品質を評価し、Shaipを選定しました。
- 音声文字起こしおよび注釈に関するガイドラインを遵守
- 音声タイプを音声と非音声として注釈付け
- 選択したセグメントのオーディオタイプが音声としてマークされている場合、音声タイプを選択する必要があります（例：クリーン音声、音声＋音楽、音声＋ノイズ、聞き取れない音声）。
- 選択された音声セグメントには、話者が話す言語が具体的にタグ付けされている必要があります。
- アノテーターは、話者タグで領域をマークする必要があります。異なる話者は
異なる話者タグでマークされています。 - アノテーターは、話者の性別（男性または女性）を選択する必要があります。
- テキストは音声で話されている通りに記述し、文法的に正しくなければなりません。
- 選択された音声タイプが非音声の場合は、非音声、音楽、唇を鳴らす音、呼吸音、咳、笑い声、着信音、DTMF信号、雑音、車両騒音、断続的な前景雑音のいずれかのラベルを割り当てる必要があります。
- 音声のすべてのセグメントにタグを付けてからシステムにアップロードする必要があります。
- データ配信
すべての文字起こしファイルは、指定されたメタデータ要件に従って、10週間以内にJSON形式で納品されました。
成果：実用化可能な多言語対話型AIエンジン
専門の言語学者による高品質な注釈付き音声データのおかげで、クライアントは規定の時間内に、インド英語、ヒンディー語、タミル語、テルグ語、カンナダ語、マラヤーラム語の6つのインド言語で、AI搭載の音声処理エンジンを正確にトレーニングすることができました。
最高水準のトレーニングデータセットを用いることで、クライアントはエンドツーエンド（E2E）モデルとハイブリッドモデルを活用し、現実世界の課題を解決する、多言語対応のインテリジェントで堅牢な音声システムを提供できるようになります。簡単に言えば、インドの消費者に特化した対話型AI（AlexaやSiriなど）を構築するということです。
Shaipの堅牢なワークフロー管理、迅速な対応、対話型AIにおける豊富な経験、そして専門言語学者のネットワークには、大変感銘を受けました。さらに、彼らが提供するコストパフォーマンスは他に類を見ません。
