IA de conversação: reconhecimento automático de fala

Solução

Com nosso profundo conhecimento de IA conversacional, ajudamos o cliente a coletar e transcrever os dados de áudio com uma equipe de coletores, linguistas e anotadores especializados para construir um grande corpus de dados de áudio de partes remotas da Índia.

O escopo de trabalho da Shaip incluía, mas não se limitava, à aquisição de grandes volumes de dados de treinamento de áudio, à transcrição dos dados e à entrega dos arquivos JSON correspondentes contendo os metadados [tanto para locutores quanto para transcritores. Para cada palestrante, os metadados incluem um ID de palestrante anônimo, detalhes do dispositivo, informações demográficas como sexo, idade e educação, junto com seu código PIN, status socioeconômico, idiomas falados e um registro da duração da estadia. Para cada transcritor, os dados incorporam um ID de transcritor anônimo, detalhes demográficos semelhantes aos dos falantes, a duração da experiência de transcrição e uma análise completa dos idiomas que eles podem ler, escrever e falar.

Shaip coletado 8000 horas de dados de áudio / fala espontânea em escala e transcrita 800 horas, mantendo os níveis desejados de qualidade necessários para treinar tecnologia de fala para projetos complexos. O Termo de Consentimento Explícito foi retirado de cada um dos participantes. A fala espontânea coletada foi baseada em imagens fornecidas pela Universidade. De 3500 imagens, 1000 são genéricos e 2500 estão relacionados à cultura, festivais, etc. específicos do distrito. As imagens retratam vários domínios, como estações de trem, mercados, clima e muito mais.

Recolha de Dados

Diretrizes Gerais

Formato

• • Áudio a 16 kHz, 16 bits/amostra.
  • Canal único.
  • Áudio bruto sem transcodificação.

Style

• • Discurso espontâneo.
  • Frases baseadas em imagens fornecidas pela Universidade. De 3500 imagens, 1000 são genéricas e 2500 estão relacionadas à cultura, festivais, etc. específicos do distrito. As imagens retratam vários domínios, como estações de trem, mercados, clima e muito mais.

Gravação de fundo

• • Gravado em um ambiente silencioso e sem eco.
  • Sem perturbações no smartphone (vibração ou notificações) durante a gravação.
  • Sem distorções como recorte ou efeitos de campo distante.
  • Vibrações do telefone são inaceitáveis; vibrações externas são toleráveis ​​se o áudio for claro.

Especificação do alto-falante

• • Faixa etária de 20 a 70 anos com distribuição equilibrada de género por distrito.
  • Mínimo de 400 falantes nativos em cada distrito.
  • Os oradores devem usar a sua língua/dialeto de origem.
  • Formulários de consentimento obrigatórios para todos os participantes.

Verificação de qualidade e garantia de qualidade crítica

O processo de controle de qualidade prioriza a garantia de qualidade para gravações e transcrições de áudio. Os padrões de áudio concentram-se em silêncios precisos, duração do segmento, clareza de um único alto-falante e metadados detalhados, incluindo idade e status socioeconômico. Os critérios de transcrição enfatizam a precisão da tag, a veracidade das palavras e os detalhes corretos do segmento. O benchmark de aceitação determina que se mais de 20% de um lote de áudio falhar nesses padrões, ele será rejeitado. Para discrepâncias inferiores a 20%, são necessárias gravações de substituição com perfis semelhantes.

Transcrição de Dados

As diretrizes de transcrição enfatizam a precisão e a transcrição literal somente quando as palavras são claras e compreensíveis; palavras pouco claras são marcadas como [ininteligível] ou [inaudível] com base no problema. Os limites das frases em áudio longo são marcados com , e nenhuma paráfrase ou correção de erros gramaticais é permitida. A transcrição literal cobre erros, gírias e repetições, mas omite inícios falsos, sons de preenchimento e gagueira. Os ruídos de fundo e de primeiro plano são transcritos com tags descritivas, enquanto nomes próprios, títulos e números seguem regras de transcrição específicas. Os rótulos dos alto-falantes são usados ​​para cada frase e as frases incompletas são indicadas com.

Fluxo de Trabalho do Projeto

O fluxo de trabalho descreve o processo de transcrição de áudio. Tudo começa com a integração e o treinamento dos participantes. Eles gravam áudio usando um aplicativo, que é carregado em uma plataforma de controle de qualidade. Este áudio passa por verificações de qualidade e segmentação automática. A equipe técnica então prepara segmentos para transcrição. Após a transcrição manual, há uma etapa de garantia de qualidade. As transcrições são entregues ao cliente e, se aceitas, a entrega é considerada concluída. Caso contrário, as revisões serão feitas com base no feedback do cliente.