JwumaRecolección de datos de voz, qué debe contener una buena especificación
· 3 min de lectura · specification, speech
Esta traducción fue generada por una máquina y no ha sido revisada por un hablante nativo. Ante cualquier duda, la versión en inglés es la original. Avísanos si algo está mal y lo corregiremos. 英语
Una especificación de voz debe definir cuatro cosas: si el discurso es guionado o espontáneo, las condiciones acústicas requeridas, la diversidad de hablantes necesaria en cuanto a edad, género y acento, y las convenciones de transcripción. Dejar cualquiera de ellas implícita produce un conjunto de datos internamente inconsistente que no se puede corregir después.
En resumen
- El discurso guionado y el espontáneo entrenan diferentes capacidades.
- Las condiciones acústicas deben especificarse como un rango requerido, no como un ideal.
- La diversidad de hablantes debe especificarse numéricamente o no sucederá.
- Las convenciones de transcripción deben fijarse antes de la recolección, no después.
- El consentimiento para la grabación es parte del informe de captura, no un paso posterior.
¿Estás definiendo algo así?
Preferimos hablar del problema antes que cotizar por volumen.
Ver capacidades¿Guionado o espontáneo?
El discurso guionado te da cobertura fonética y alineación limpia. El discurso espontáneo te da disfluencia, superposición, falsos comienzos y la forma en que la gente realmente habla. No son sustitutos y un sistema entrenado solo en el primero falla con la entrada real.
La mayoría de los proyectos necesitan ambos en una proporción establecida. Dejar la proporción sin especificar produce mayormente guionado, porque es más fácil de recolectar.
¿Por qué especificar las condiciones acústicas como un rango?
Porque un conjunto de datos grabado exclusivamente en salas silenciosas entrena un sistema que funciona en salas silenciosas. Si tus usuarios están en una calle o en un mercado, necesitas grabaciones de esas condiciones incluidas deliberadamente en lugar de tratarlas como rechazos.
Especifica el rango que requieres y la proporción en cada banda. De lo contrario, la recolección se optimiza para las grabaciones más limpias y el rendimiento en condiciones ruidosas se descubre en producción.
- Estudio o interior silencioso
- Interior ordinario con fondo
- Condiciones exteriores y de calle
- Teléfono o canal comprimido donde sea relevante
¿Cómo se debe especificar la diversidad de hablantes?
Numéricamente. Bandas de edad, equilibrio de género, distribución de acentos regionales, cada uno con una proporción objetivo. La diversidad descrita como un objetivo en lugar de una cuota no sobrevive al contacto con la logística de recolección.
Para regiones multilingües, especifica la expectativa de cambio de código explícitamente. Si no lo haces, obtendrás o bien ninguno o una cantidad no medida, y ninguno de los dos es útil.
¿Qué pasa con las convenciones de transcripción?
Fíjalas antes de que comience la recolección y congélalas por lote. Las convenciones para disfluencia, discurso superpuesto, audio poco claro y límites de cambio de código necesitan reglas explícitas, y cada una de ellas es un lugar donde los transcriptores de otro modo inventarán su propia respuesta.
Adaptar una convención a un corpus ya transcrito es costoso y generalmente incompleto.
También preguntan
¿Qué debe incluir una especificación de datos de voz?
La proporción de guionado a espontáneo, el rango requerido de condiciones acústicas con proporciones, objetivos numéricos de diversidad de hablantes y convenciones de transcripción fijas que cubran disfluencia, superposición y cambio de código.
¿Por qué incluir grabaciones ruidosas en un conjunto de datos de voz?
Porque un sistema entrenado solo con audio limpio funciona solo con audio limpio. Si tus usuarios hablan en calles o mercados, esas condiciones deben incluirse deliberadamente en lugar de rechazarse durante la recolección.
¿Las convenciones de transcripción deben establecerse antes o después de la recolección?
Antes, y congeladas por lote. Adaptar convenciones a un corpus ya transcrito es costoso y rara vez completamente consistente.