Thu thập dữ liệu giọng nói, một đặc tả tốt bao gồm những gì

Có kịch bản hay tự nhiên?

Giọng nói có kịch bản cung cấp cho bạn sự bao phủ âm vị và căn chỉnh rõ ràng. Giọng nói tự nhiên cung cấp cho bạn sự không lưu loát, chồng chéo, khởi đầu sai và cách mọi người thực sự nói. Chúng không thể thay thế nhau và một hệ thống chỉ được huấn luyện trên cái đầu tiên sẽ thất bại với đầu vào thực tế.

Hầu hết các dự án cần cả hai theo tỷ lệ đã nêu. Để tỷ lệ không được nêu rõ sẽ dẫn đến phần lớn là có kịch bản, vì dễ thu thập hơn.

Tại sao chỉ định điều kiện âm thanh như một phạm vi?

Bởi vì một tập dữ liệu chỉ được ghi âm trong các phòng yên tĩnh sẽ huấn luyện một hệ thống hoạt động trong các phòng yên tĩnh. Nếu người dùng của bạn ở trên đường phố hoặc trong chợ, bạn cần các bản ghi âm từ những điều kiện đó được bao gồm một cách có chủ ý thay vì bị coi là không đạt yêu cầu.

Chỉ định phạm vi bạn yêu cầu và tỷ lệ trong mỗi dải. Nếu không, việc thu thập sẽ tối ưu hóa cho các bản ghi âm sạch nhất và hiệu suất trong điều kiện ồn ào của bạn sẽ được phát hiện trong quá trình sản xuất.

• Studio hoặc trong nhà yên tĩnh
• Trong nhà thông thường với tiếng nền
• Điều kiện ngoài trời và trên đường phố
• Điện thoại hoặc kênh nén nếu có liên quan

Sự đa dạng của người nói nên được chỉ định như thế nào?

Bằng số liệu. Các nhóm tuổi, cân bằng giới tính, phân bố giọng vùng miền, mỗi yếu tố với một tỷ lệ mục tiêu. Sự đa dạng được mô tả như một mục tiêu thay vì một chỉ tiêu sẽ không tồn tại khi đối mặt với logistics thu thập.

Đối với các khu vực đa ngôn ngữ, hãy chỉ định rõ ràng kỳ vọng chuyển mã. Nếu không, bạn sẽ nhận được hoặc không có hoặc một lượng không đo lường được, và cả hai đều không hữu ích.

Còn các quy ước phiên âm thì sao?

Cố định chúng trước khi bắt đầu thu thập và đóng băng chúng theo từng lô. Quy ước cho sự không lưu loát, giọng nói chồng chéo, âm thanh không rõ ràng và ranh giới chuyển mã đều cần có quy tắc rõ ràng, và mỗi quy tắc là nơi mà người phiên âm sẽ tự nghĩ ra câu trả lời của riêng họ nếu không có.

Việc áp dụng ngược một quy ước trên một tập hợp đã được phiên âm là tốn kém và thường không hoàn chỉnh.

Một đặc tả dữ liệu giọng nói nên bao gồm những gì?

Tỷ lệ giọng nói có kịch bản so với tự nhiên, phạm vi điều kiện âm thanh yêu cầu với tỷ lệ, mục tiêu đa dạng người nói bằng số liệu, và các quy ước phiên âm cố định bao gồm sự không lưu loát, chồng chéo và chuyển mã.

Tại sao nên bao gồm các bản ghi âm ồn ào trong một tập dữ liệu giọng nói?

Bởi vì một hệ thống chỉ được huấn luyện trên âm thanh sạch chỉ hoạt động trên âm thanh sạch. Nếu người dùng của bạn nói trên đường phố hoặc trong chợ, những điều kiện đó phải được bao gồm một cách có chủ ý thay vì bị loại bỏ trong quá trình thu thập.

Quy ước phiên âm nên được đặt trước hay sau khi thu thập?

Trước, và đóng băng theo từng lô. Việc áp dụng ngược các quy ước trên một tập hợp đã được phiên âm là tốn kém và hiếm khi hoàn toàn nhất quán.