JwumaRecolha de dados de fala, o que uma boa especificação contém
· 3 min de leitura · specification, speech
Esta tradução foi produzida por máquina e não foi verificada por um falante nativo. Em caso de dúvida, a versão em inglês é a original. Diga-nos se algo estiver errado e corrigiremos. 英语
Uma especificação de fala deve definir quatro coisas: se a fala é guiada ou espontânea, as condições acústicas requeridas, a diversidade de falantes necessária em termos de idade, género e sotaque, e as convenções de transcrição. Deixar qualquer uma delas implícita produz um conjunto de dados internamente inconsistente que não pode ser corrigido posteriormente.
Em resumo
- Fala guiada e espontânea treinam capacidades diferentes.
- As condições acústicas devem ser especificadas como um intervalo necessário, não um ideal.
- A diversidade de falantes deve ser especificada numericamente ou não acontecerá.
- As convenções de transcrição devem ser definidas antes da recolha, não depois.
- O consentimento para gravação faz parte do briefing de captura, não de uma etapa posterior.
Está a definir algo assim?
Preferimos falar do problema em vez de orçamentar por volume.
Ver capacidadesGuiada ou espontânea?
A fala guiada oferece cobertura fonética e alinhamento limpo. A fala espontânea oferece disfluência, sobreposição, falsos começos e a forma como as pessoas realmente falam. Não são substitutos e um sistema treinado apenas no primeiro falha com entradas reais.
A maioria dos projetos precisa de ambos numa proporção declarada. Deixar a proporção não declarada resulta, de forma confiável, em maioritariamente guiada, porque é mais fácil de recolher.
Por que especificar condições acústicas como um intervalo?
Porque um conjunto de dados gravado exclusivamente em salas silenciosas treina um sistema que funciona em salas silenciosas. Se os seus utilizadores estiverem numa rua ou num mercado, precisa de gravações dessas condições incluídas deliberadamente em vez de tratadas como rejeições.
Especifique o intervalo que requer e a proporção em cada faixa. Caso contrário, a recolha otimiza para as gravações mais limpas e o desempenho em condições ruidosas é descoberto em produção.
- Estúdio ou interior silencioso
- Interior comum com ruído de fundo
- Condições exteriores e de rua
- Telefone ou canal comprimido quando relevante
Como deve ser especificada a diversidade de falantes?
Numericamente. Faixas etárias, equilíbrio de género, distribuição de sotaques regionais, cada um com uma proporção alvo. A diversidade descrita como um objetivo em vez de uma quota não sobrevive ao contacto com a logística de recolha.
Para regiões multilingues, especifique a expectativa de alternância de código explicitamente. Se não o fizer, obterá ou nenhuma ou uma quantidade não medida, e nenhuma das duas é útil.
E quanto às convenções de transcrição?
Defina-as antes de começar a recolha e congele-as por lote. Convenções para disfluência, fala sobreposta, áudio pouco claro e limites de alternância de código precisam de regras explícitas, e cada uma delas é um ponto onde os transcritores, de outra forma, inventarão a sua própria resposta.
Adaptar uma convenção a um corpus já transcrito é caro e geralmente incompleto.
Outras perguntas
O que deve incluir uma especificação de dados de fala?
A proporção de guiada para espontânea, o intervalo necessário de condições acústicas com proporções, metas numéricas de diversidade de falantes e convenções de transcrição fixas que cobrem disfluência, sobreposição e alternância de código.
Por que incluir gravações ruidosas num conjunto de dados de fala?
Porque um sistema treinado apenas com áudio limpo funciona apenas com áudio limpo. Se os seus utilizadores falarem em ruas ou mercados, essas condições devem ser incluídas deliberadamente em vez de rejeitadas durante a recolha.
As convenções de transcrição devem ser definidas antes ou depois da recolha?
Antes, e congeladas por lote. Adaptar convenções a um corpus já transcrito é caro e raramente totalmente consistente.