JwumaZbieranie danych mowy, co powinna zawierać dobra specyfikacja
· 2 min czytania · specification, speech
To tłumaczenie zostało wykonane maszynowo i nie zostało sprawdzone przez native speakera. W razie wątpliwości obowiązuje wersja angielska. Napisz nam, jeśli coś brzmi błędnie, a poprawimy. English
Specyfikacja mowy musi określać cztery rzeczy: czy mowa jest skryptowana czy spontaniczna, wymagane warunki akustyczne, potrzebną różnorodność mówców pod względem wieku, płci i akcentu oraz konwencje transkrypcji. Pominięcie któregokolwiek z nich prowadzi do powstania zbioru danych, który jest wewnętrznie niespójny i nie można go później naprawić.
W skrócie
- Mowa skryptowana i spontaniczna trenują różne zdolności.
- Warunki akustyczne powinny być określone jako wymagany zakres, a nie ideał.
- Różnorodność mówców musi być określona liczbowo, inaczej nie zostanie osiągnięta.
- Konwencje transkrypcji muszą być ustalone przed zbieraniem, a nie po.
- Zgoda na nagrywanie jest częścią briefu, a nie późniejszym krokiem.
Planujesz podobny projekt?
Wolimy rozmawiać o problemie niż wyceniać sam wolumen.
Zobacz nasze możliwościSkryptowana czy spontaniczna?
Mowa skryptowana zapewnia pokrycie fonetyczne i czyste dopasowanie. Mowa spontaniczna daje niepłynność, nakładanie się, fałszywe starty i sposób, w jaki ludzie naprawdę mówią. Nie są one zamiennikami i system trenowany tylko na pierwszym zawodzi na rzeczywistym wejściu.
Większość projektów potrzebuje obu w określonym stosunku. Pozostawienie stosunku nieokreślonym niezawodnie prowadzi do przewagi skryptowanej, ponieważ łatwiej ją zebrać.
Dlaczego określać warunki akustyczne jako zakres?
Ponieważ zbiór danych nagrany wyłącznie w cichych pomieszczeniach trenuje system, który działa w cichych pomieszczeniach. Jeśli użytkownicy są na ulicy lub na targu, potrzebujesz nagrań z tych warunków celowo uwzględnionych, a nie traktowanych jako odrzuty.
Określ wymagany zakres i proporcję w każdym przedziale. W przeciwnym razie zbieranie optymalizuje się pod kątem najczystszych nagrań, a wydajność w warunkach hałaśliwych jest odkrywana w produkcji.
- Studio lub ciche wnętrze
- Zwykłe wnętrze z tłem
- Warunki zewnętrzne i uliczne
- Telefon lub skompresowany kanał, jeśli to istotne
Jak określić różnorodność mówców?
Liczbowo. Przedziały wiekowe, równowaga płci, rozkład akcentów regionalnych, każdy z docelową proporcją. Różnorodność opisana jako cel, a nie kwota, nie przetrwa kontaktu z logistyką zbierania.
Dla regionów wielojęzycznych określ oczekiwanie dotyczące przełączania kodów wyraźnie. Jeśli tego nie zrobisz, otrzymasz albo brak tego, albo niezmierzoną ilość, a żadne z nich nie jest użyteczne.
Co z konwencjami transkrypcji?
Ustal je przed rozpoczęciem zbierania i zamroź na partię. Konwencje dotyczące niepłynności, nakładającej się mowy, niejasnego dźwięku i granic przełączania kodów wymagają wyraźnych zasad, a każda z nich jest miejscem, gdzie transkrybenci w przeciwnym razie wymyślą własne odpowiedzi.
Dostosowanie konwencji do już przetranskrybowanego korpusu jest kosztowne i zazwyczaj niepełne.
Inne pytania
Co powinna zawierać specyfikacja danych mowy?
Stosunek skryptowanej do spontanicznej, wymagany zakres warunków akustycznych z proporcjami, liczbowo określone cele różnorodności mówców oraz ustalone konwencje transkrypcji obejmujące niepłynność, nakładanie się i przełączanie kodów.
Dlaczego uwzględniać hałaśliwe nagrania w zbiorze danych mowy?
Ponieważ system trenowany tylko na czystym dźwięku działa tylko na czystym dźwięku. Jeśli użytkownicy mówią na ulicach lub na targach, te warunki muszą być celowo uwzględnione, a nie odrzucane podczas zbierania.
Czy konwencje transkrypcji powinny być ustalone przed czy po zbieraniu?
Przed, i zamrożone na partię. Dostosowanie konwencji do już przetranskrybowanego korpusu jest kosztowne i rzadko w pełni spójne.