AI การสนทนา: การรู้จำเสียงอัตโนมัติ

Solution

ด้วยความเข้าใจอย่างลึกซึ้งเกี่ยวกับการสนทนา AI เราได้ช่วยลูกค้ารวบรวม ถอดเสียงข้อมูลเสียงด้วยทีมผู้เชี่ยวชาญนักสะสม นักภาษาศาสตร์ และนักอธิบายประกอบ เพื่อสร้างคลังข้อมูลเสียงขนาดใหญ่จากพื้นที่ห่างไกลของอินเดีย

ขอบเขตของงานสำหรับ Shaip นั้นรวมอยู่ด้วยแต่ไม่จำกัดเพียงการรับข้อมูลการฝึกอบรมด้านเสียงจำนวนมาก การถอดเสียงข้อมูล และการส่งไฟล์ JSON ที่เกี่ยวข้องซึ่งมีข้อมูลเมตา [สำหรับทั้งผู้พูดและผู้ถอดเสียง สำหรับผู้พูดแต่ละคน ข้อมูลเมตาประกอบด้วย ID ผู้พูดที่ไม่ระบุชื่อ รายละเอียดอุปกรณ์ ข้อมูลประชากร เช่น เพศ อายุ และการศึกษา พร้อมด้วยรหัส PIN สถานะทางเศรษฐกิจและสังคม ภาษาที่พูด และบันทึกระยะเวลาการเข้าพักตลอดชีวิต สำหรับผู้ถอดเสียงทุกคน ข้อมูลจะรวมรหัสผู้ถอดเสียงที่ไม่ระบุตัวตน รายละเอียดทางประชากรศาสตร์ที่คล้ายกับของผู้พูด ระยะเวลาประสบการณ์การถอดเสียง และรายละเอียดภาษาที่พวกเขาสามารถอ่าน เขียน และพูดได้อย่างละเอียด

Shaip รวบรวม 8000 จำนวนชั่วโมงของข้อมูลเสียง / คำพูดที่เกิดขึ้นเองตามขนาดและถอดเสียง 800 ชั่วโมง ในขณะที่ยังคงรักษาระดับคุณภาพที่ต้องการซึ่งจำเป็นในการฝึกเทคโนโลยีเสียงพูดสำหรับโครงการที่ซับซ้อน แบบฟอร์มยินยอมที่ชัดเจนถูกนำมาจากผู้เข้าร่วมแต่ละคน คำพูด / คำพูดที่เกิดขึ้นเองที่รวบรวมมาจากภาพที่มหาวิทยาลัยจัดเตรียมไว้ให้ ของ 3500 ภาพ 1000 เป็นแบบทั่วไปและ 2500 เกี่ยวข้องกับวัฒนธรรม เทศกาล ฯลฯ เฉพาะเขต รูปภาพแสดงถึงโดเมนต่างๆ เช่น สถานีรถไฟ ตลาด สภาพอากาศ และอื่นๆ

การเก็บรวบรวมข้อมูล

General Guidelines

รูปแบบ

• • เสียงที่ 16 kHz, 16 บิต/ตัวอย่าง
  • ช่องเดียว.
  • เสียงดิบโดยไม่ต้องแปลงรหัส

สไตล์

• • คำพูดที่เกิดขึ้นเอง
  • ประโยคตามภาพที่มหาวิทยาลัยจัดให้ จากทั้งหมด 3500 ภาพ มี 1000 ภาพเป็นภาพทั่วไป และ 2500 ภาพเกี่ยวข้องกับวัฒนธรรม เทศกาล ฯลฯ เฉพาะเขต รูปภาพแสดงถึงโดเมนต่างๆ เช่น สถานีรถไฟ ตลาด สภาพอากาศ และอื่นๆ

พื้นหลังการบันทึก

• • บันทึกในสภาพแวดล้อมที่เงียบและปราศจากเสียงสะท้อน
  • ไม่มีการรบกวนสมาร์ทโฟน (การสั่นหรือการแจ้งเตือน) ระหว่างการบันทึก
  • ไม่มีการบิดเบือน เช่น การตัดภาพหรือเอฟเฟ็กต์จากระยะไกล
  • การสั่นสะเทือนจากโทรศัพท์ไม่สามารถยอมรับได้ การสั่นสะเทือนภายนอกสามารถทนได้หากเสียงชัดเจน

รายละเอียดลำโพง

• • อายุตั้งแต่ 20-70 ปี มีการกระจายเพศอย่างสมดุลตามเขต
  • เจ้าของภาษาอย่างน้อย 400 คนในแต่ละเขต
  • ผู้พูดควรใช้ภาษา/ภาษาถิ่นของตน
  • แบบฟอร์มยินยอมที่จำเป็นสำหรับผู้เข้าร่วมทุกคน

การตรวจสอบคุณภาพและการประกันคุณภาพที่สำคัญ

กระบวนการประกันคุณภาพให้ความสำคัญกับการประกันคุณภาพสำหรับการบันทึกเสียงและการถอดเสียง มาตรฐานเสียงมุ่งเน้นไปที่ความเงียบที่แม่นยำ ระยะเวลาของเซ็กเมนต์ ความชัดเจนของผู้พูดคนเดียว และข้อมูลเมตาโดยละเอียด รวมถึงอายุและสถานะทางเศรษฐกิจและสังคม เกณฑ์การถอดเสียงจะเน้นความถูกต้องของแท็ก ความถูกต้องของคำ และรายละเอียดส่วนที่ถูกต้อง เกณฑ์มาตรฐานการยอมรับกำหนดว่าหากชุดเสียงมากกว่า 20% ไม่ผ่านมาตรฐานเหล่านี้ ก็จะถูกปฏิเสธ สำหรับความคลาดเคลื่อนน้อยกว่า 20% จำเป็นต้องมีการบันทึกทดแทนที่มีโปรไฟล์คล้ายกัน

การถอดความข้อมูล

แนวทางการถอดเสียงจะเน้นความถูกต้องและการถอดเสียงแบบคำต่อคำเฉพาะเมื่อคำมีความชัดเจนและเข้าใจได้เท่านั้น คำที่ไม่ชัดเจนจะถูกทำเครื่องหมายว่า [ไม่เข้าใจ] หรือ [ไม่ได้ยิน] ขึ้นอยู่กับปัญหา ขอบเขตประโยคในเสียงยาวจะถูกทำเครื่องหมายด้วย และไม่อนุญาตให้ถอดความหรือแก้ไขข้อผิดพลาดทางไวยากรณ์ การถอดเสียงคำต่อคำครอบคลุมถึงข้อผิดพลาด คำสแลง และการกล่าวซ้ำๆ แต่ละเว้นการขึ้นต้นที่ผิดพลาด เสียงที่เติมเข้าไป และการพูดติดอ่าง เสียงพื้นหลังและเบื้องหน้าจะถูกถอดเสียงด้วยแท็กคำอธิบาย ในขณะที่ชื่อ ชื่อ และหมายเลขที่ถูกต้องจะเป็นไปตามกฎการถอดเสียงเฉพาะ ทุกๆ ประโยคจะใช้ป้ายกำกับของผู้พูด และระบุประโยคที่ไม่สมบูรณ์ด้วย

เวิร์กโฟลว์โครงการ

เวิร์กโฟลว์จะอธิบายกระบวนการถอดเสียง เริ่มต้นด้วยการปฐมนิเทศและการฝึกอบรมผู้เข้าร่วม พวกเขาบันทึกเสียงโดยใช้แอปซึ่งอัปโหลดไปยังแพลตฟอร์ม QA เสียงนี้ผ่านการตรวจสอบคุณภาพและการแบ่งส่วนอัตโนมัติ จากนั้นทีมเทคโนโลยีจะเตรียมส่วนต่างๆ สำหรับการถอดเสียง หลังจากการถอดเสียงด้วยตนเอง จะมีขั้นตอนการประกันคุณภาพ การถอดเสียงเป็นคำจะถูกส่งให้กับลูกค้า และหากได้รับการยอมรับ จะถือว่าการนำส่งเสร็จสมบูรณ์ ถ้าไม่เช่นนั้น จะทำการแก้ไขตามคำติชมของลูกค้า