جمع بيانات الكلام: ما الذي يجب أن تحتويه المواصفات الجيدة

مكتوب أم عفوي؟

الكلام المكتوب يمنحك تغطية صوتية ومواءمة نظيفة. الكلام العفوي يمنحك التلعثم، التداخل، البدايات الخاطئة والطريقة التي يتحدث بها الناس فعليًا. لا يمكن استبدالهما والنظام الذي يتم تدريبه فقط على الأول يفشل في المدخلات الحقيقية.

تحتاج معظم المشاريع إلى كلا النوعين بنسبة محددة. ترك النسبة غير محددة ينتج بشكل موثوق في الغالب كلامًا مكتوبًا لأنه أسهل في الجمع.

لماذا تحديد الظروف الصوتية كنطاق؟

لأن مجموعة البيانات المسجلة حصريًا في غرف هادئة تدرب نظامًا يعمل في غرف هادئة. إذا كان مستخدموك في الشارع أو في السوق، فأنت بحاجة إلى تسجيلات من تلك الظروف لتضمينها عمدًا بدلاً من اعتبارها مرفوضة.

حدد النطاق الذي تحتاجه والنسبة في كل فئة. وإلا فإن الجمع سيحسن لأجل أنظف التسجيلات وأداء الظروف الصاخبة يتم اكتشافه في الإنتاج.

• استوديو أو داخلي هادئ
• داخلي عادي مع خلفية
• ظروف خارجية وشارع
• هاتف أو قناة مضغوطة حيثما كان ذلك مناسبًا

كيف يجب تحديد تنوع المتحدثين؟

رقميًا. فئات العمر، توازن الجنس، توزيع اللهجات الإقليمية، كل منها بنسبة مستهدفة. التنوع الموصوف كهدف بدلاً من حصة لا يصمد أمام لوجستيات الجمع.

بالنسبة للمناطق متعددة اللغات، حدد توقع التبديل اللغوي بوضوح. إذا لم تفعل، ستحصل إما على عدم وجوده أو كمية غير مقاسة منه، وكلاهما غير مفيد.

ماذا عن اتفاقيات النسخ؟

ثبتها قبل بدء الجمع وجمدها لكل دفعة. الاتفاقيات الخاصة بالتلعثم، الكلام المتداخل، الصوت غير الواضح وحدود التبديل اللغوي تحتاج جميعها إلى قواعد صريحة، وكل واحدة منها هي مكان حيث سيخترع الناس إجاباتهم الخاصة.

تطبيق اتفاقية على مجموعة بيانات تم نسخها بالفعل مكلف وعادة ما يكون غير مكتمل.

ماذا يجب أن تتضمن مواصفات بيانات الكلام؟

نسبة الكلام المكتوب إلى العفوي، النطاق المطلوب للظروف الصوتية مع النسب، أهداف تنوع المتحدثين الرقمية، واتفاقيات النسخ الثابتة التي تغطي التلعثم، التداخل والتبديل اللغوي.

لماذا تضمين تسجيلات صاخبة في مجموعة بيانات الكلام؟

لأن النظام الذي يتم تدريبه فقط على الصوت النظيف يعمل فقط على الصوت النظيف. إذا كان مستخدموك يتحدثون في الشوارع أو الأسواق، يجب تضمين تلك الظروف عمدًا بدلاً من رفضها أثناء الجمع.

هل يجب تحديد اتفاقيات النسخ قبل أو بعد الجمع؟

قبل، وتجميدها لكل دفعة. تطبيق الاتفاقيات على مجموعة بيانات تم نسخها بالفعل مكلف ونادرًا ما يكون متسقًا تمامًا.