泛领域标注规范及标准

一．简单介绍

本音频内容是客服对话电话语音数据。利用工具，对语音进行标注。标记时间戳，隔开一个一个的语音段，然后对每个语音段，分别标注说话人身份、文本内容、说话人性别和情绪。

注意只转写实实在在的人讲话的声音，视频、电视里面的讲话声音不用转写。但是根据数据类型来判断。夹杂在主持人讲话中的开头或者中间的一些视频播音片段，无效不转写；如果整段音频都是视频类语音，比如电视剧等，就可以全部转写。

二．操作步骤及方法

1. 首先登录网址：http://182.92.174.146:5500/，登录界面如下图，用给定的账号和密码登录；

2. 登录进去之后，选择申请任务，选择项目名称的任务，然后同意保密协议，就进入工作页面开始工作；

3. 工作页面如下图所示，具体的切分标注步骤如下：

1) 首先，框1是音频的播放区域，如果没有勾选播放分区模式，点击音频波形，音频会从点击的位置开始播放。如果勾选播放分区模式，音频会从本段的起始位置开始播放；

2) 然后判断音频是否有效，如果无效选择无效，判断无效原因即可，如果有效再继续标注文本框2中属性；

3) 其次，在文本框4中转写文本，并在需要的时候添加文本框3中的标签，本段转写完毕点击保存按钮，切分标注好的段落会显示在文本框5中；（编辑文本是播放暂停的快捷键是Alt+m，常用这个会事半功倍哦）

4) 最后，整段音频都切分标注完毕，点击右上角的提交按钮即可。

三．切分标注的标准

3.1 时间戳标记

a) 根据语义和停顿时间等因素，在音频信号中每一句话的句首和句尾分别添加时间边界,拖动鼠标即可添加。

b) 如果同一说话人说话时间较长，则应根据其语义来增加时间边界，每个时间段的长度最多不能超过15s，但断句也不要太散太短。

c) 一个语音段应该包含一个或多个完整的句子。例如“我想去吃饭”不能被分割为“我想去”和“吃饭”。

d) A说完改成B说后，在A和B之间要分割（一个语音段只能包含一个说话人）

e) 在进行语音切分过程中，有效语音前、后应尽量保留一定静音部分（一般不得少于20ms），注意切分时边界位置尽量准确，一般不应切到有效语音上。两段之间如存在静音，应为前后段保留一定静音。在连续语音中放置边界时，若无明显停顿，切分标记要放在中间，不要伤害有效语音,即不要贴着音频切。

一个人的语音为一个段落，不同说话人之间要分开，每个段落前后留不少于20ms（20ms其实很短就是为了不要切到语音上）的停顿不要贴着音频切。

1.：两段间小于等于5秒，停顿平分到前后段落

2.：两段间停顿大于5秒，中间多余停顿部分无效且添加相应标签

f) 只有一个字表示应答的，如语音没有overlap（重叠），则单独分割成独立语音段（如：嗯、哦、对）；如有overlap，则标记主说话人语音，并在存在overlap的段落加overlap标记

3.2文本标注规范

a) 录音转写的第一要求

忠实地按照音频录音念什么就转写成什么的原则，如真实发音为“我们去哪哪里啊”，“哪”字有重复，就要忠实地录成“我们去哪哪里啊”。

g) 口音问题

由于口音或个人习惯导致的音变，按普通话标注音录入。多音字或者生活中有不同发音的字，也按照普通话标注音录入。例如，“办公室”的“室”，有人说成“shi3”,有人说成“shi4”，都要录成“办公室”

h) 数字

数字符号应完全按照其读音转写成对应的汉字，例如：”5256”->”五千二百五十六”，”2004”->”二零零四”或”两千零四”，”19%”->”百分之十九”等。其中“1”转“一”或者“幺”，根据真实发音录入。

i) 英文单词或作为单词发音的缩写词

对于英文单词，或者作为单词发音的缩写词，如果其发音是按照一个单词来发音的，请直接转写，注意字母间要加空格。英文单词小写格式，字母大写且空格。

例如，“hello”、“G D P”P P T Q Q 等。hello kitty

Eg：您的Q Q邮箱是多少？遇到说网址的@要写@。

如果出现拼音拼读的，将声母韵母分开转写声母+下划线_+py+字，如，胜利，转写为：sh_py eng_py胜l_py i_py利

j) 标点符号

只采用‘，’ 、‘。’、‘？’和‘！’ 即只能使用逗号，句号，问号，感叹号。

句尾需要加标点且句尾标点不要是逗号。

k) 专有名词

所有的专有名词，包括人名、地名等，详细规范说明如下：

§ 人名

对于熟知的知名人士的名字或地名，必须用该知名人士的名字来转录。

例如，“郭德纲的相声很不错”，就不能转录成“郭德刚”。

“阿里巴巴邀请白举纲参加来往活动”，不能是“白句刚”。

而对于泛泛的名字，则都要用最常见的文字来标记。

例如，用“王小明”，不用“王晓明”，更不能用“王潇铭”（这个太偏僻了）。

§ 中国的地名

与人名的转录规则类似。

§ 机构名称

与人名的转录规则类似。

l) 儿化音

需要把“儿”这个字标注出来。

例如，“这个小孩儿”（当此语音的儿化音很明显的时候）。

m) 填充语气词

填充语气词是指示说话者说话中的犹豫，或者说话者在思考下面该说什么时，用来保持发音连贯所使用的词，例如’呃’，’唔’，’呵’，‘嗯’等。语气词应该基本带有口字旁。

ei诶，唉ai 哎

3.3 数据标注标记

a) 标注中使用的标记：

l (noise) 噪声。

u 说话人发出的突发噪声：

由说话者发出的噪声可能有以下5种，分别对应呼吸声、咳嗽声、笑声、喷嚏声和其他由嘴唇发出的声音。

u 录音及电信系统引起的噪声

包括电话按键音、电话忙音、录音系统的其他噪音等，都是通信系统主动发出的声音（但没有人或机器的说话声），而不是摘机、挂机或干扰带来的咔啦或呲呲杂音。

u 背景发出的突发噪声：

此处的背景发出的噪声专指由非说话人（背景）发出的具有突发性的噪声。如出现在说话声之间的掌声、关门声、汽车鸣笛声、狗叫声等。

n 持续的音乐声

u 唱歌声（有歌词和旋律）

u 哼唱（没有歌词，但有旋律）

u 口哨声

u 可能是别人唱歌、演奏，也可能是背景的电视、收音机发出的音

乐和歌声

u 包括持续时间较长的彩铃声

l (unk) 为无效文本内容。

n 难以理解的段落

有时音频文件的某一部分很难或不能理解其对应的文本，例如由声音不清晰或者方言发音造成的难以理解的语音。

n 听不懂的外语发音

n 方言

l  (sil) 如出现明显停顿，则标记停顿标签，建议5秒。

l (~)用波浪号表示语句中存疑的个别字词。

l (overlap)语音重叠

关于ovelap标签的使用：overlap用于两个或几个人说话重叠时，转写出主要说话人的语音内容，选中重叠的部分，点击添加overlap标签，

这时在语音前后会出现两个标签，也就是两个标签中间的部分是重叠语音段（这个语音段是主要说话人的语音内容）

b) 段落属性标记：

l 有效性：筛选阶段对音频进行有效性筛选；如果是无效语音，则后面的标记就不用考虑了。

l 说话人身份：客户1，客户2等依次类推;

l 性别：[F]/[M];

l 口音：有口音/无口音; 按照有无明显口音为标准

l 背景噪音（底噪）：整个音频有连续性背景噪音/整个音频无连续性背景噪音，包括敲打键盘声音、其它人声音、电视背景音、汽车声音等; 按照是否明显判定。

l 起止时间： 拖动鼠标进行截取

l 情绪：正面/平静/负面.

l 异常音：是；否。比如音量截幅，设备持续杂音等，都属于异常情况。

l 说话方式：正常；不正常。比如大声喊叫，洋腔怪调等，都属于不正常的说话方式。

l 说话人类型：正规播报；口语播报。一般都选择口语播报，类似于新闻联播的选择正规播报。

c) 标点符号：只能使用逗号，句号，问号，感叹号。

3.4 说话人身份

说话人层中标注该段语音的说话人的身份。在选择说话人身份时

1.正常的客服客户对话，正常选择客服客户；

2.主持人和采访者的对话，主持人选择客服，采访者选择客户；

3.不能分辨客服，客户，也不是在主持人访谈的，就统一选择客户。

第一个出现的客服讲话，选客服1，第二个出现的选择客服2，以此类推；第一个出现的客户讲话选客户1，第二个出现的客户选客户2，以此类推。

常见问题解析：

1． 断句

根据语义和说话人身份分段，每段不超过15秒，并且每段只包含一个说话人，不能把一句话分成两半，尽量保证语义完整。但也不要切分的过细，一个人说话不超过15秒的可以放在一段。

2． 标签

noise和底噪的区别

noise是短促突发的噪声，底噪是背景持续存在的噪声

noise和sil的区别

大于五秒的停顿需要单独成段，选无效，根据是否有背景噪音来选noise或者sil

unk和~的区别

这两个都可以代表听不清听不懂的字或者词。不同点是小于5个字的话直接用~来代替；如果大于五个字的话就需要单独成段，选无效标unk了。

unk不会和文本混在一起用也就是5个字以上听不懂单独成段，选用标签unk。

3． 文本

不能丢字漏字，不能写错别字，有口音的不改字，语气词不能省略并且不能出现错别字。

无效的没有15秒的时间限制，只要是无效的比如持续20秒的噪音可以放在一起。

本次注意：

1.方言严重听不清的无效

2.多人说话重叠部分能分清主次的写主要说话人加overlap，分不清主次的无效

3.能明确是客服客户对话的标客服和客户，要不第一个人标客户一，第二个人标客户二，以此类推

4.整个包大部分是音乐，方言还很严重，只能听清三五个字的，整包无效即可

5.回声和人说话重叠部分无效，单纯的回声也不用转写直接无效，大家注意哈