中英混读语音采集参考规则

录音要求

3.1 录音人要求

要求普通话,英文发音准确符合条件的录音人录制语音数据录音人需通过大学英语四级考试

3.1.1发音标准:

发音清楚,避免说话不清、语速过快和有方言等现象。

例如:“我是北京人”发音为“e4(四声)shi4 bei3 jing1 ren2

这里“我”的发音是属于方言式发音。

3.1.2性别比例:

男女比例为1:1。男女比例可以在1:1的基础上浮动5%(控制在45%55%范围内)。

3.1.3年龄比例:

年龄

比例范围

18~25

65%~75%

26~40

15%~25%

>40

5%~15%

3.1.4地域分布

在录音人寻找的时候应控制在比例

方言区

范围

参考城市举例

比例

北方官话

东北、西北、华北、山东、安徽人等省份北方标准普通话,没有口音

哈尔滨、绥化、齐齐哈尔、长春、沈阳、吉林通辽、北京、呼和浩特、赤峰、保定、石家庄、潍坊、天津、青岛、大连、兰州、银川、乌鲁木齐、南阳、郑州、洛阳、临沂、阜阳、亳州、徐州、运城、西安、西宁等

30%

西南官话

中国西南的四川、重庆、贵州、云南等几乎全部的汉语地区以及陕西南部、甘肃南部、广西北部和湖南西北部、南部

重庆、成都、南充、绵阳、武汉、荆州、襄阳、孝感、遵义、贵阳、昆明、桂林、凉山、常德等

20%

吴语

江浙沪等省份

上海、温州、杭州、台州、宁波、金华、苏州等

10%

粤语

广东广西香港澳门等省份

广州、深圳、东莞、佛山、南宁、玉林、香港、澳门等

10%

闽语

福建、海南、台湾、广东等省份

泉州、福州、厦门、海口、三亚、万宁、台北、高雄、台中等

10%

湘语

湖南省

长沙、衡阳、邵阳、岳阳等

10%

赣语

江西、安徽、湖北等省份

上饶西部、宜春、南昌、吉安等

10%

 

 

 

控制在比例范围内浮动

注意事项

1)口齿清楚,态度认真,避免说话结巴、大舌头、嗓音嘶哑等病理性发音的人。

2)参加录音的人必须事先了解录音要求(录音方法录音环境、朗读要求合格指标)。

3)每人只能录制一份该项目录音。如出现一人录制多份数据现象取消相应报酬。

4)录制人员对录音人的录音号段做好分配,避免号段重复使用。

3.3录音环境

相对安静的录音环境,不能有其他人说话的声音其他噪音无回音。

避免在空旷的场地采集例如:教室、礼堂、厕所、酒店大厅等)

周边噪音关联事项

1)录音人外其他人的声音不采用。如有第二说话人的声音算无效。

2)其他噪音不采用例如:摔东西的声音、喝水声、笑声、翻书的声音、音乐、咳嗽声、车声等。

3.5录音人录音

1普通话为主,每句夹杂数个(大部分在1-2个)英文单词录制完450

2)自然的复述方式,自然流利清晰,禁止压低嗓子录音禁止用耳语方式录音;禁止夸张语气,笑着说话。

3)录音人严禁刻意变声、模仿说话方式

4)说话人语速适中,吐字清楚不能每个字一停顿的说,尽量避免结巴。

5)手机离说话人嘴边距离在20-25厘米为宜。避免喷麦、和耳机采集的情况

6)禁止在没有朗读完毕前抢停,读错字、咳嗽、偶然噪音现象应暂停录制,做准备后重新录制。

7)录音时,尽量以提供的原始句子为准。如果遇到不通顺或错字等影响正常朗读的句子,朗读时可稍作修改。

8)禁止一人多号,录制多个任务。450必须由一录音人完成。

9)朗读应为普通话方式,口音应为当地人自然发音习惯,不要讲方言。

3.6录音合格指标

数据采集完毕,项目负责人员要认真判断数据质量是否达到合格要求,并提醒录音人及时修改,如不满足下指标均按照不合格处理。

相关指标

具体说明

中文普通话夹杂英文

如方言口音较重或发音不清晰数据算无效

450

不够450句算无效

每一句朗读完整

抢停、或开始录制后不发音句子录制不完整的情况算无效

环境安静

过大噪音、有第二说话人、回音等算无效

不同设备硬件问题,降噪处理的方式统一。如果噪音过大也算无效,但是电流声等出现,如果不影响正常声音可算合格,相反有明显算为无效处理。

录音人信息真实有效

录制填写的录音人信息完整、真实相反无效。例如信息填写男、25,实际35女、25

一人录制450

一人录制了多个号段算无效

音频格式完整、正确

格式符合规定16KHz16bit数据无法播放算无效

               非录音人可控因素

音频因录制软件或硬件等非可控因素造成的音频丢帧、卡顿等现象,不记为采集错误。

合格标准按指标全部达标算。

补录及修正事项

录音及转写过程发现的错误整理之后重新录音原始录音人可以重新录音的直接重新录音原始录音人不能重新录音的话采用相同的录音条件、方式和文本语料进行第人录音。

推荐文章

数据标注为人工智能提供结构化的训练数据。机器学习的模型和儿童学习的方式类似。回想一下当一个孩子观察一个新事物时,比如当天第一次观察一只狗时,他会得到这个场景中的一些反馈比如记住这种狗的特征如有毛,两只眼睛,一只尾巴等等,于是当这个孩子下次再碰到狗时,他就能辨别出来。机器能从我们提供的训练数据中学习。利用这一特性,我们可以调控算法来发现事物之间的关系,检测模式,理解复杂的问题和做最优决策。最终,我们提供的训练数据的质量,多样性和数据将对我们机器学习算法模型的成败产生重大影响。训练数据的内容和形式经常是指:在终端应用角度被用来训练机器学习模型的被标注的或者人为标注的或者ground truth的数据集。下面我们列了一些可以用来训练不同种类的机器视觉模型的已经标注好的数据。1.用于自动驾驶的道路检测<img src="https://pic3.zhimg.com/50/v2-a7311069140d6f38dabd5ccee10db5c2_hd.jpg" data-caption="" data-size="normal" data-rawwidth="637" data-rawheight="338" class="origin_image zh-lightbox-thumb" width="637" data-original="https://pic3.zhimg.com/v2-a7311069140d6f38dabd5ccee10db5c2_r.jpg">2.面部特征识别<img src="https://pic3.zhimg.com/50/v2-4c139798b144391b407376092b16e06f_hd.jpg" data-caption="" data-size="normal" data-rawwidth="700" data-rawheight="526" class="origin_image zh-lightbox-thumb" width="700" data-original="https://pic3.zhimg.com/v2-4c139798b144391b407376092b16e06f_r.jpg">3.像素级场景理解<img src="https://pic2.zhimg.com/50/v2-729a36eee82b57332a7076ee711d8041_hd.jpg" data-caption="" data-size="normal" data-rawwidth="700" data-rawheight="440" class="origin_image zh-lightbox-thumb" width="700" data-original="https://pic2.zhimg.com/v2-729a36eee82b57332a7076ee711d8041_r.jpg">4.汽车图片故障检测为保险理赔提供依据<img src="https://pic3.zhimg.com/50/v2-fd810615903e20a445b52fc3d948ff7f_hd.jpg" data-caption="" data-size="normal" data-rawwidth="700" data-rawheight="394" class="origin_image zh-lightbox-thumb" width="700" data-original="https://pic3.zhimg.com/v2-fd810615903e20a445b52fc3d948ff7f_r.jpg">5.从2D图片中预测3D维度<img src="https://pic1.zhimg.com/50/v2-f2fa6810ff289512bfa49858a4bad5d6_hd.jpg" data-caption="" data-size="normal" data-rawwidth="700" data-rawheight="402" class="origin_image zh-lightbox-thumb" width="700" data-original="https://pic1.zhimg.com/v2-f2fa6810ff289512bfa49858a4bad5d6_r.jpg">训练数据的重要性?简单来讲,训练数据就是用来训练机器学习模型的标注好的数据。你可能需要大量的训练数据来使你的模型准确度更高,但是一般情况下,你具备足够的训练数据的可能性很低。公共数据集通常是没有结构化的并且很难被划入某个特殊的类别。唯一的方法就是把这些数据都看一遍从中挑选出对你有用的数据如何去获得训练数据?通常情况下只要单个公司或者少数项目组的人是收集不到大量的训练数据的或者需要耗费算法研究人员大量的精力。不要担心,我们将利用我们数量庞大的标注员专业的帮助您收集足够多的训练数据,不管您需要的是2D框,点,图像分割或者任何形状,我们都能快速的帮助您获得高精度,高重复利用率的训练数据。好奇我们可以提供哪种类型的标注?下面是一些我们做够的项目案例,比如自动驾驶,无人机,智能农业,卫星影像,视频安防和运动分析的图像标注。我们也支持多种图像标注类别比如:2D框形状分割3D立方体标注线标注地貌/点标注语气分割3D点云标注关于训练数据的FAQ什么是训练数据?训练数据是用来训练机器学习算法和提升准确率的标注好的数据什么是test set?每个机器学习的模型需要在真实的世界中测试当它遇到新数据时的准确度,就好像一个学生在考试时遇到没有见过的题目一样,机器也需要这样的测试。这样的测试数据就是test set。什么是验证数据Validation data?当用某一个特定的数据集训练ML模型时,我们需要确保模型训练基于整个数据集的分布。因此我们“喂养”模型的标注数据被分成了训练数据和验证数据。这样可以确保机器学习的模型是基于整个数据集而产生的我们应该如何把一个数据集划分为测试和训练数据?每个数据集的内容都是不一样的。我们需要了解相应领域的知识来决定如何把标注的数据划分为训练和测试数据集。一般根本你想要测试您的模型的表现的意愿程度,训练数据:测试数据的比如通常为80:20或者75:25一般多少训练数据是足够的?每个领域有不同的算法所有需要不同的数据。但是总体而言,机器学习领域普遍认为,数据越多,模型的准确度和重复调用行越好我们怎么获得免费的训练数据?在互联网上你可以找到很多免费的训练数据集。很多科研机构也把他们采集的训练数据集共享给大家。机器学些中训练数据和测试数据的区别?训练数据,指的是我们用来训练或者教会机器模型或者算法的标注数据。测试数据,指的是我们用来对模型的最终效果提供公正的评估的数据.作者:edge链接:https://www.zhihu.com/question/30654399/answer/369067570来源:知乎著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

热门文章

        AI人工智能的迅猛发展得以于计算机深度学习技术的快速发展,而说到深度学习技术它又必然离不开底层基础的数据标注。        而在今天对于这种深度学习技术的基础数据标注工作也有相当一大部分人群不知道它到底是怎么个回事?什么是数据标注?数据标注是做什么的?这种问题就连一些从事这方面工作的人也有说不明白的。        要说起数据标注那我们也就不得不说下从事数据标注工作的数据标注员这个群体。人工智能、深度学习”这种名词看似高深莫测非常高大上,但目前提供给机器深度学习的数据标注采集等工作,仍是基于密集劳动力的人工智能数据标注产业。数据标注员和工厂流水线上的操作员也是没有多大区别的,可能有很多人觉得不可思议,但是目前这种情况 确实是事实。        那到底什么是数据标注呢?        要理解数据标注我们先来举个简单的例子:小时候大人教我们认识花朵时会指着花草给我们说 花会好多颜色,具体什么花开什么颜色,那我们就会慢慢记住什么花开什颜色。而人工智能深度学习也是和我们人类认知事物是一个道理。        人工智能深度机器学习的前提也是数据标注员根据不同的图片、语音、文本等数据标识出各种功能标签然后机器学习根据不同标签来认识出不同的事物。        数据标注是通过数据标注人员借助计算机标注工具软件对人工智能学习数据进行加工的一种行为。通常数据标注的类型包括:图像标注、语音标注、文本标注、视频标注等种类。标记的基本形式有标注画框、3D画框、文本转录、图像打点、目标物体轮廓线等。        目前大多数的数据标注工具软件都是支持图像、文本、多边形、视频等多种类型的。        根据全国范围内的不完全统计,目前全国数据标注行业的从业人员已经达到 100万之多。在人工智火热与闪亮的背后,数据标注产业作为做基础的支撑确实处于行业的低端下游的。