การเก็บรวบรวมข้อมูลเสียง

คำนิยาม

การรวบรวมข้อมูลเสียงคือกระบวนการรวบรวมเสียงดิบเพื่อฝึกฝนและประเมินระบบ AI ข้อมูลอาจรวมถึงเสียงพูด เสียงดนตรี หรือเสียงแวดล้อม

จุดมุ่งหมาย

จุดประสงค์คือการสร้างชุดข้อมูลตัวแทนที่ช่วยให้โมเดลเสียงทำงานได้อย่างน่าเชื่อถือในทุกสำเนียง ทุกสภาพแวดล้อม และอุปกรณ์

ความสำคัญ

• จำเป็นสำหรับการฝึกระบบการพูดและเสียงให้แข็งแกร่ง
• จะต้องพิจารณาความหลากหลาย (ภาษา สภาพแวดล้อม) เพื่อหลีกเลี่ยงอคติ
• ต้องมีมาตรการรักษาความเป็นส่วนตัวและความยินยอมที่เข้มงวดสำหรับเสียงที่บันทึก
• คุณภาพของคอลเลกชันส่งผลต่อประสิทธิภาพการทำงานของ AI ปลายทาง

วิธีการทำงาน

1. กำหนดเป้าหมาย (เช่น การจดจำเสียงพูด การตรวจจับเสียง)
2. เลือกอุปกรณ์บันทึกและสภาพแวดล้อม
3. รับสมัครวิทยากรหรือรวบรวมการบันทึกเสียงธรรมชาติ
4. บันทึกเสียงพร้อมควบคุมเสียงรบกวนและคุณภาพ
5. จัดเก็บการบันทึกพร้อมข้อมูลเมตาเพื่อใช้ในภายหลัง

ตัวอย่าง (โลกแห่งความเป็นจริง)

• คำสั่งเสียงของ Google: ชุดข้อมูลคำสั่งเสียงที่รวบรวมจากแหล่งข้อมูลจำนวนมาก
• UrbanSound8K: ชุดข้อมูลเสียงสิ่งแวดล้อมที่มีป้ายกำกับ
• LibriSpeech: คลังข้อมูลที่ได้มาจากหนังสือเสียงสำหรับการวิจัย ASR

อ้างอิง/อ่านเพิ่มเติม

• แนวทางการรวบรวมข้อมูลการพูด — Linguistic Data Consortium
• ชุดข้อมูลสำหรับการจดจำเสียง — เอกสารพร้อมโค้ด
• ISO/IEC TR 20547-5: สถาปัตยกรรมอ้างอิงข้อมูลขนาดใหญ่ — ISO
• การรวบรวมข้อมูลเสียง – Shaip