通用语音数据标注规则


2、标注规范 ——3项(文本、无效、性别)

 

 注: 文本正确率:95%     其它(无效+性别)正确率:95%

 

注:一定不要多字、漏字!!

2.1性别

类别

分类

定义

性别

童声

童声指小孩非常稚嫩的声音,大概是在5岁以下的范围。大孩子的声音归到男女。

其他

没有人声,或者男女混声的统一规为其他

 

注:女生之间的对话性别是女,男生同理;只有男女相混的对话是其他

2.2判断是否为无效语音

无效:

1、主体人声音的前面、或后面、或中间:有一段安静或噪声等非人声 ,长度在2秒以上(宽条是0.3秒)。

【注意整句无人声的不是无效】

2、声音是转格式转错的。

无效语音,直接打勾,文本不用修改。

3.全英文的句子听不懂标无效

有效:其它都是有效

 

2.3修改文本

标注文本,目的是耳朵听到“普通话或带口音的普通话”标成普通话文本,严重听不懂“方言”,可标注#

2.3.1标注#的情况

(1)听不懂、听不清的词或方言标注#

(2)英语语句中,听懂的单词标注出来,听不懂的标注#

3)除英语外其他国语言#,发音如“萨瓦迪卡”,“阿尼哈塞呦”等必须标#

4)粤语标注#

5)噪音标注#

6)遇到拼音标注#,如“阿啵呲嘚”等拼音

7)整句无人声,只有噪音,不超过2S的标#,如一个人整句咳嗽声

 

注:

#可以代表一个字不清楚或者几个字不清楚;

一句话中可以出现最多两个#,但不能 同时  ##  这种形式出现;

最多可以 #文本# 这种形式出现;

2.3.2姓名问题

(1)姓:必须标注正确,确定是有这个姓

2)名字:名字可以打同音字

 

2.3.3地名问题

(1)省市等较大地名必须查清楚,不能出现错字:如浙江省无锡宜兴市

 

2)较小的地名,如村镇以及道路、小区等可标注同音字。

 

2.3.4数字问题

1)听到的阿拉伯数字写成汉字,如“一二三四五”或“幺二三四五”

 

2.3.5儿化音问题

(1)带儿话音的,可以写出“”字,并且加括号;或者直接不打儿化音,皆可
例如:我得了5分儿,文本要写成:我得了五分(儿)/我得了五分


注意:不是儿化的不用加,如女儿,婴儿等不是儿话,就不能加在“儿”字上加括号。

 

2.3.6语气词问题

(1)注意口语的字口语中,结结巴巴说出的,要写出对应接接巴巴声音的字。

 

(2)口语中,“嗯”、“哦”、“啊””等,要准确对应文本。例:声音“呀”,不能写成:“啊”

 

2.3.7英语相关问题

(1)单词:英语单词,整个单词要小写。如“happy

 

(2)字母:说字母的写成字母,要写成大写。如“A  B  C  ”。注意:QQ、MSN,是字母发音,要写成大写。

 

注:英文单词发的不标准,如能听出是哪个单词,就写单词。

整句都是英文句子的情况:

一句话中发音不清楚的单词,标#,发音清楚的单词必须写出单词

整句英文都听不清楚时,标为无效,不要整句标为#。

英文用中文谐音写出来的,算错。如:black 写成 布莱克 算错

一些地名,人名按英文读的,需要写英文,如:I am gonging to shanghai  不能写成“上海”

其他国语言,发音如“萨瓦迪卡”,“阿尼哈塞呦”等必须标#

 

 

2.3.8混音问题

混音包括3类:

1、当前电话通话的两个人同时说话,相混

2、当前人声与较亮或尖锐的音乐声(如铃声、汽车喇叭)相混

 

混音部分的标注方法:

1)如果非主体人插话不影响对主体人说话的理解,标注员可以听出主体人说话的字,则要求写字。(不要出现一个音对应两个字)

例如:非主体人插入的话,音量小、字数少,可忽略当成没听见。

 

2)如果非主体人插话,造成标注员已听不出主体人混音部分的字,则要求混音部分标#

 例如:非主体人插入的话,由于音量过大相混在一起,听不清主体的话,混的部分写#

 

3)如果音乐声相混,不影响对主体人说话的理解,标注员可以听出主体人说话的字,则要求写字。

如果音乐声相混,造成标注员已听不出主体人混音部分的字,则要求混音部分标#

3:增加#的情况

人声中出现突然间的大噪音且与人声不相混,包括铃声、叮声、咳嗽、扑话筒、有大的音乐背景等,写1个#。

人声前边或后面出现一片乱乱的小声说话、持续的背景噪音,写#和不写#都可以。

注意:安静的静音处,不能写#。

 

 

2.3.9 标注页面蓝条与黄条使用

 

蓝条和黄条的功能有3个

1尺子,表示0.3秒,可以用于量取2秒判断无效。

2选中功能。选中的是播放蓝条最左端到黄条最右端的声音。当语速特别快时,建议分段选中去听,写下文本,正确率会提高。

3确定#在哪儿出现。

 

 

 

标准普通话与带口音的普通话对照表:

类别

定义

特例

举例说明

无口音

拼音、声调都正确

轻口音

拼音对,声调不对

n和l不分;

n和ng不分;

z/c/s和zh/ch/sh不分

属于轻口音

那个,发音:la4 ge5(标准na4 ge5 )

电信,发音:dian4 xing4(标准dian4 xin4)

平时,发音:pin2 shi2(标准ping2 shi2)

政治,发音:zeng4 zi4(标准zheng4 zhi4)

刚才,发音:gang1 chai2(标准gang1 cai2)

重口音

拼音不对

(n和l不分;n和ng不分;z/c/s和zh/ch/sh不分)除外

湖南,发音是 fu2 nan2(标准hu2 nan2)

歌曲,发音是guo1 qu3(标准ge1 qu3)

 

推荐文章

数据标注行业良莠不齐?淘金云.数据标注 助力AI企业加速发展什么是人工智能呢?当你进入无人超市自助结账,当你进入小区不需要刷卡而是刷脸,当你在外旅行用智能翻译软件时,你已经在享受人工智能的成果了。 但是你有没有想过,人工智能的飞速发展离不开大量数据的处理可少的。与应用,数据标注便是必不数据标注是人工智能产业的基础,是人工智能进行模型训练必不可少的一环。从某种程度上来说,没有经过标注的数据就是无用数据,要让数据可用一般会经历这样的过程:原始数据一般通过数据采集获得,随后的数据标注相当于对数据进行加工,然后输送到人工智能算法和模型里进行调用。 人工智能需要的庞大而繁杂的数据,由于行业劳动相对密集、重复性较强,造成数据标注行业准入门槛低,行业良莠不齐。就目前数据标注市场按照人员规模来说,可分为小型工作室(20 人左右)、中型公司以及巨头企业。而大部分数据标注公司接到标注任务后层层分包给级别更低的“小作坊“进行加工,导致标准效率低、准确低、安全性差等问题。据统计,市面上号称拥有数据采集功能的公司占95.6% ,拥有智能工具的公司100%,而拥有标注平台的公司仅占30.4%,而云模式平台仅占7%,一部分巨头搭建平台仅用于内部消化,在人员培训和质量管控上缺乏合理的运营模式。 效率、准确性、安全性成为数据标注行业普遍的短板,出这样的问题主要源于层层分包的模式和没有严格的标准。这这种行业背景下,淘金云数据标注平台要做一个高效、精准、安全的平台,让数据标注打破层层分包的模式,优化标注流程、提升标注效率、精准性和安全性。并且作为全国领先的数据标注众包平台,为企业提供多种AI数据标注服务,包含文本标注、图片标注、语音标注、视频标注业务。淘金云数据标注平台最核心的优势在于更高效、更精准和更安全。  人工+智能,让数据标注更精准人工智能需要大量数据来学习和辨别模式,无论是图片、音频还是文本,因为它们不同于人类。要教会算法如何准确识别汽车是一辆汽车,它需要成千上万的汽车图片。此外,算法很容易上当受骗,一旦数据标注不精准,直接影响日后算法的识别。数据作为人工智能最基础的底层构建,精准性对于日后的发展直观重要。为了构建更加精准的数据标准体系,淘金云数据标注平台超100人的技术研发团队、 AI机器人研发团队、AI算法团队、标注系统工具研发团队,共同研发并建立了数据标注工作平台,让人工+智能共同协作,让数据标准更精准。 从项目进入平台,淘金云数据标注平台将安排专业的管理人员全程与甲方共同制定标注标准,全面实现定制标准化,并从培训、标注和提交环节做优化,在提交前将进行人工+智能双重质检,系统进行批量质检、人工进行分包抽检。专业的标注平台,双重质检方式,让数据标注更精准。 1.8万人才储备,让数据标注更高效在人工智能关键的格局定格期,谁能更快形成规模、更快落地谁便能在未来智能产业中占领先机,所以,效率对于企业来说直观重要。淘金云数据标注平台管理团队200余人,旗下拥有100+标注工厂, 超过50位标注员的有2家,超过30位标注员的有5家,超过15位标注员的有20家,发展至今平台已有超1.8万名可以随时服务的众包人员。标注员按1:1.5配备,项目推进更快捷;标注员拥有多年标注经验,上手更快。丰富的人才储备,让数据标注更快更高效,让您在激烈的市场竞争中抢占先机。 同时,淘金云数据标注平台正在进行研发数据标注平台与企业之间对接,企业可在线上组建团队,对团队进行管理,还可随时查看项目进度,对处理好的项目也能即看即用,减少中间沟通交接环节,让效率翻倍。 专业平台,让数据更安全在信息共享时代,信息越开放,信息数据的安全性便越重要。在数据收集、存储、传输和使用的过程中,如果没有必要的技术手段,价值越高的数据安全风险也越大,一旦出现数据安全问题,将给企业带来不可估量的损失。所以,数据安全更是企业长足健康发展的基础。淘金云数据标注平台为了保障数据安全,搭建了统一的数据安全管理体系,集信息安全管理体系认证、员工保密协议+保证金智能监控系统为一体,通过分层建设、分级防护保障数据安全,在信息数据处理过程中进行全程监控,全面保障数据安全! 目前,淘金云数据标注平台已得腾讯、百度、华为、京东、上海通用汽车等上百个一线互联网的认可。有业内人士表示,在3-5年将是人工智能最关键的格局确定窗口期,谁能让人工智能应用真正形成规模、让应用落地,谁就能在未来智能产业中占领先机。2018年,巨头们已开始跑马圈地,企业如果不能快速出击,必将被市场淘汰;随着人工智能市场竞争竞争的加剧,数据处理的效率和精准度将在这场赛跑中起到关键作用,而选择高效、精准、安全的数据标准公司,无疑将会大大提高企业发展的速度,助力企业在人工智能发展竞赛中获得先机!

热门文章

        对数据标注行业稍微有些了解的人都知道数据标注进入门槛低,适合很多人兼职也适合创业。        正是因为数据标注行业的门槛低这个特点最近两年从事数据标注的小公司小工作室如雨后春笋般的遍布全车大大小小的县城。        但是目前有个有趣的现象,那就是有很多进入数据标注行业做了一段时间的人慢慢的感觉数据标注行业就是个坑?为什么有些人会说数据标注就是个坑呢?        其实对与有上述问题认识的人我们认为,这些人多数都是有于对这个行业对自身条件的不了解,盲目的开始进入数据标注行业的。为什么我们会这样说呢?下面就给给大家来分析下到底有哪几方面的原因:        一、有相当一部分人是听了朋友或者网上消息说这行很火爆,好做,门槛低,也有一部分人了因此租办公室买电脑招人,然后就去群里面找分发项目的人就开张干起来了。可实际上这些人他们大多数都没有充分了解数据标注行业,更没有认真仔细得去调查分析,到底自己能不能做好一个项目,到底自己能不能有质有量按时交付的完成一个项目,到底自己有没有这个能力来管理项目。更多的人也没有去用长远的眼光去考虑数据标注项目。        二、数据标注项目虽然入门门槛低,但是相当一部分有于理解认知应变能力上都不能保证去做好数据标注项目,还有一部分人由于自己对标注项目重视程度不足接到项目之后呢?不仔细认真的去阅读理解项目规则,更没有很好的对规则质检标准去培训员工,而对员工的要求主要看重每天的产出效率,从而导致接到手的项目做的质量很差,频繁的返工,有提项目甚至因为质量太烂项目方不给结算或者是结算比例很少,最终的结果就是做好些个项目但基本都是赔钱。        三、虽然业内人都 说数据标注简单,但是标注项目他也是一个系统性的工程,一个项目能不能做好并不简单的看项目好做就能赔钱。实际上决定项目赚不赚钱考验的是一个团队的项目管理水平,质量管理能力,运营能力各方面因素的。一句话再好赚钱的项目也照样有人赚钱也有人赚钱,要赚钱不是那么简单的。        四、还有些工作室 、小公司因为对行业不够了解等他们做了一段时间后发现,自己团队经常会没有项目做,而自己团队接项目的业务能力又不具备,甚至有的时候为了员工有活干去接一些价格极低根本就不赚钱的标注项目,时间稍微一长这些工作室团队就会赔上很多钱最终关门倒闭。        五、下来要说的就是一部分人人兼职人员由于认识不到位,对项目的规则质量要求 文件不认真阅读消化理解导致做的项目质量差返工有的甚至最后不结算,最终退出这行。更有一些人由于经验不足被标注行业的项目骗子给忽悠到辛苦劳动到最后结算时找不到人。        标注行业本身由于进入门槛低,做的人很行业内盲目打价格战,导致很多转手二手三手的项目在质量工期的要求下根本就不赚钱甚至赔钱,所以在这里也提醒大家做任何事都要谨慎而行。