JwumaCollecte de données vocales, ce qu'une bonne spécification contient
· 3 min de lecture · specification, speech
Cette traduction a été produite par une machine et n'a pas été vérifiée par un locuteur natif. En cas de doute, la version anglaise fait foi. Signalez-nous toute erreur et nous la corrigerons. English
Une spécification vocale doit préciser quatre éléments : si le discours est scripté ou spontané, les conditions acoustiques requises, la diversité des locuteurs nécessaire en termes d'âge, de genre et d'accent, et les conventions de transcription. Laisser l'un d'eux implicite produit un ensemble de données incohérent en interne et qui ne peut être corrigé par la suite.
En bref
- Le discours scripté et spontané entraîne des capacités différentes.
- Les conditions acoustiques doivent être spécifiées comme une plage requise, pas un idéal.
- La diversité des locuteurs doit être spécifiée numériquement sinon elle ne se réalisera pas.
- Les conventions de transcription doivent être fixées avant la collecte, pas après.
- Le consentement à l'enregistrement fait partie du cahier des charges, pas une étape ultérieure.
Un projet de ce type à cadrer ?
Nous préférons parler du problème plutôt que chiffrer un volume.
Voir nos prestationsScripté ou spontané ?
Le discours scripté vous offre une couverture phonétique et un alignement propre. Le discours spontané vous donne des disfluences, des chevauchements, des faux départs et la façon dont les gens parlent réellement. Ils ne sont pas interchangeables et un système entraîné uniquement sur le premier échoue sur une entrée réelle.
La plupart des projets ont besoin des deux dans un ratio indiqué. Laisser le ratio non précisé produit généralement principalement du scripté, car il est plus facile à collecter.
Pourquoi spécifier les conditions acoustiques comme une plage ?
Parce qu'un ensemble de données enregistré exclusivement dans des pièces calmes entraîne un système qui fonctionne dans des pièces calmes. Si vos utilisateurs sont dans la rue ou sur un marché, vous avez besoin d'enregistrements de ces conditions délibérément inclus plutôt que traités comme des rejets.
Spécifiez la plage requise et la proportion dans chaque bande. Sinon, la collecte optimise pour les enregistrements les plus propres et votre performance en conditions bruyantes est découverte en production.
- Studio ou intérieur calme
- Intérieur ordinaire avec fond sonore
- Conditions extérieures et de rue
- Téléphone ou canal compressé si pertinent
Comment spécifier la diversité des locuteurs ?
Numériquement. Tranches d'âge, équilibre des genres, distribution des accents régionaux, chacun avec une proportion cible. La diversité décrite comme un objectif plutôt qu'un quota ne survit pas au contact avec la logistique de collecte.
Pour les régions multilingues, spécifiez explicitement l'attente de code-switching. Si vous ne le faites pas, vous n'en obtiendrez soit aucun soit une quantité non mesurée, et aucun des deux n'est utile.
Qu'en est-il des conventions de transcription ?
Fixez-les avant le début de la collecte et figez-les par lot. Les conventions pour les disfluences, les discours qui se chevauchent, l'audio peu clair et les limites de code-switching nécessitent toutes des règles explicites, et chacune d'elles est un endroit où les transcripteurs inventeront sinon leur propre réponse.
Adapter une convention à un corpus déjà transcrit est coûteux et généralement incomplet.
Autres questions
Que doit inclure une spécification de données vocales ?
Le ratio scripté à spontané, la plage requise de conditions acoustiques avec proportions, des cibles numériques de diversité des locuteurs, et des conventions de transcription fixes couvrant les disfluences, les chevauchements et le code-switching.
Pourquoi inclure des enregistrements bruyants dans un ensemble de données vocales ?
Parce qu'un système entraîné uniquement sur de l'audio propre fonctionne uniquement sur de l'audio propre. Si vos utilisateurs parlent dans la rue ou sur des marchés, ces conditions doivent être délibérément incluses plutôt que rejetées lors de la collecte.
Les conventions de transcription doivent-elles être définies avant ou après la collecte ?
Avant, et figées par lot. Adapter des conventions à un corpus déjà transcrit est coûteux et rarement totalement cohérent.