音声データ収集、良い仕様に含まれるもの

スクリプト化か自発的か？

スクリプト化された音声は音素のカバレッジとクリーンなアライメントを提供します。自発的な音声は不流暢さ、重なり、言い直し、実際の話し方を提供します。これらは代替にはならず、前者のみで訓練されたシステムは実際の入力で失敗します。

ほとんどのプロジェクトでは、明示された比率で両方が必要です。比率を明示しないと、収集が容易なため、ほとんどがスクリプト化されたものになります。

なぜ音響条件を範囲として指定するのか？

静かな部屋でのみ録音されたデータセットは、静かな部屋で機能するシステムを訓練します。ユーザーが通りや市場にいる場合、これらの条件を意図的に含める必要があります。拒否されるのではなく。

必要な範囲と各バンドの割合を指定してください。そうしないと、収集は最もクリーンな録音を最適化し、騒がしい条件での性能は実際の運用で発見されます。

• スタジオまたは静かな屋内
• 背景音のある通常の屋内
• 屋外および通りの条件
• 関連する場合の電話または圧縮チャネル

話者の多様性はどのように指定すべきか？

数値で。年齢層、性別のバランス、地域のアクセントの分布、それぞれに目標の割合を設定します。目標としてではなく、数値として指定しないと、収集のロジスティクスにより実現しません。

多言語地域では、コードスイッチングの期待を明示的に指定してください。そうしないと、全くないか、測定されていない量のいずれかになり、どちらも有用ではありません。

転写の規則はどうすべきか？

収集が始まる前に固定し、バッチごとに凍結します。不流暢さ、重なり合う音声、不明瞭な音声、コードスイッチの境界に関する規則はすべて明示的なルールが必要で、そうでなければ転写者が独自の答えを考え出します。

すでに転写されたコーパスに規則を後付けするのは高価で、通常は不完全です。

音声データ仕様には何を含めるべきですか？

スクリプト化と自発的な比率、必要な音響条件の範囲と割合、数値での話者の多様性の目標、そして不流暢さ、重なり、コードスイッチングをカバーする固定された転写の規則です。

なぜ騒がしい録音を音声データセットに含めるのか？

クリーンな音声のみで訓練されたシステムは、クリーンな音声でしか機能しません。ユーザーが通りや市場で話す場合、これらの条件を収集時に拒否されるのではなく、意図的に含める必要があります。

転写の規則は収集の前か後か？

収集の前に、バッチごとに凍結します。すでに転写されたコーパスに規則を後付けするのは高価で、一貫性が完全に保たれることは稀です。