केस स्टडी: स्वचालित वाक् पहिचान

समाधान

कुराकानीात्मक AI को हाम्रो गहिरो बुझाइको साथ, हामीले ग्राहकलाई भारतको दुर्गम भागहरूबाट अडियो डेटाको ठूलो कोर्पस निर्माण गर्न विशेषज्ञ सङ्कलनकर्ता, भाषाविद् र एनोटेटरहरूको टोलीसँग अडियो डेटा सङ्कलन गर्न, ट्रान्सक्राइब गर्न मद्दत गर्‍यौं।

Shaip को लागि काम को दायरा समावेश थियो तर अडियो प्रशिक्षण डाटा को ठूलो मात्रा प्राप्त गर्न को लागी सीमित थिएन, डाटा ट्रान्सक्राइब गर्न र मेटाडेटा [दुबै स्पिकर र ट्रान्सक्राइबरहरु को लागी संगत JSON फाइलहरु लाई डेलिभर गर्न को लागी। प्रत्येक वक्ताको लागि, मेटाडेटाले अज्ञात स्पिकर ID, उपकरण विवरणहरू, जनसांख्यिकीय जानकारी जस्तै लिङ्ग, उमेर, र शिक्षा, तिनीहरूको पिनकोड, सामाजिक-आर्थिक स्थिति, बोलिने भाषाहरू, र तिनीहरूको जीवनको अवधिको रेकर्ड समावेश गर्दछ। प्रत्येक ट्रान्सक्राइबरको लागि, डेटाले अज्ञात ट्रान्स्क्राइबर ID, स्पिकरहरू जस्तै जनसांख्यिकीय विवरणहरू, तिनीहरूको ट्रान्सक्रिप्शन अनुभव अवधि, र तिनीहरूले पढ्न, लेख्न र बोल्न सक्ने भाषाहरूको पूर्ण विच्छेद समावेश गर्दछ।

शैप संकलन भयो 8000 जटिल परियोजनाहरूका लागि वाणी प्रविधिलाई प्रशिक्षित गर्न आवश्यक गुणस्तरको इच्छित स्तरहरू कायम राख्दै 800 घण्टाको अडियो डेटा / सहज भाषण स्केलमा र XNUMX घण्टा ट्रान्सक्राइब गरिएको। प्रत्येक सहभागीबाट स्पष्ट सहमति फारम लिइएको थियो। / संकलित सहज भाषण विश्वविद्यालय-प्रदान गरिएका छविहरूमा आधारित थियो। को 3500 तस्वीर 1000 सामान्य र 2500 जिल्ला-विशिष्ट संस्कृति, चाडपर्वहरू, आदिसँग सम्बन्धित छन्। छविहरूले विभिन्न डोमेनहरू जस्तै रेल स्टेशनहरू, बजारहरू, मौसम, र थप चित्रण गर्दछ।

तथ्यांक संकलन

सामान्य दिशानिर्देशहरू

ढाँचा

• • 16 kHz मा अडियो, 16 बिट/नमूना।
  • एकल च्यानल।
  • ट्रान्सकोडिङ बिना कच्चा अडियो।

शैली

• • सहज भाषण।
  • विश्वविद्यालय-प्रदान गरिएका छविहरूमा आधारित वाक्यहरू। 3500 छविहरू मध्ये, 1000 सामान्य छन् र 2500 जिल्ला-विशेष संस्कृति, चाडपर्व, आदिसँग सम्बन्धित छन्। छविहरूले विभिन्न डोमेनहरू जस्तै रेल स्टेशनहरू, बजारहरू, मौसम, र थप चित्रण गर्दछ।

रेकर्डिङ पृष्ठभूमि

• • शान्त, इको-मुक्त वातावरणमा रेकर्ड गरियो।
  • रेकर्डिङको समयमा कुनै स्मार्टफोन अवरोधहरू (कम्पन वा सूचनाहरू) छैनन्।
  • क्लिपिङ वा टाढा-फिल्ड प्रभावहरू जस्ता कुनै विकृतिहरू छैनन्।
  • फोनबाट कम्पनहरू अस्वीकार्य; यदि अडियो स्पष्ट छ भने बाह्य कम्पनहरू सहन योग्य छन्।

स्पिकर विशिष्टता

• • प्रति जिल्ला सन्तुलित लैङ्गिक वितरणको साथ 20-70 वर्ष सम्मको उमेर दायरा।
  • प्रत्येक जिल्लामा न्यूनतम 400 देशी वक्ताहरू।
  • वक्ताहरूले आफ्नो मातृभाषा/बोली प्रयोग गर्नुपर्छ।
  • सबै सहभागीहरूको लागि सहमति फारम अनिवार्य छ।

गुणस्तर जाँच र आलोचनात्मक गुणस्तर आश्वासन

QA प्रक्रियाले अडियो रेकर्डिङ र ट्रान्सक्रिप्सनहरूको लागि गुणस्तर आश्वासनलाई प्राथमिकता दिन्छ। अडियो मानकहरू सटीक मौनता, खण्ड अवधि, एकल-वक्ता स्पष्टता, र उमेर र सामाजिक-आर्थिक स्थिति सहित विस्तृत मेटाडेटामा केन्द्रित हुन्छन्। ट्रान्सक्रिप्शन मापदण्डले ट्याग शुद्धता, शब्द सत्यता, र सही खण्ड विवरणहरूमा जोड दिन्छ। स्वीकृति बेन्चमार्कले बताउँछ कि यदि अडियो ब्याचको 20% भन्दा बढी यी मापदण्डहरू असफल भएमा, यसलाई अस्वीकार गरिन्छ। 20% भन्दा कम विसंगतिहरूको लागि, समान प्रोफाइलहरूसँग प्रतिस्थापन रेकर्डिङ आवश्यक छ।

डाटा ट्रान्सक्रिप्शन

ट्रान्सक्रिप्शन दिशानिर्देशहरूले शब्दहरू स्पष्ट र बुझ्ने हुँदा मात्र शुद्धता र शब्दबद्ध ट्रान्सक्रिप्सनलाई जोड दिन्छ। अस्पष्ट शब्दहरूलाई मुद्दाको आधारमा [अस्पष्ट] वा [अश्रव्य] भनी चिन्ह लगाइन्छ। लामो अडियोमा वाक्य सीमाहरू सँग चिन्ह लगाइन्छ, र व्याकरणीय त्रुटिहरूको कुनै पनि व्याख्या वा सुधारलाई अनुमति छैन। Verbatim ट्रान्सक्रिप्शनले त्रुटिहरू, स्ल्याङ्हरू, र दोहोर्याइहरू समेट्छ तर गलत सुरुहरू, फिलर ध्वनिहरू, र stutters लाई हटाउँछ। पृष्ठभूमि र अग्रभूमि आवाजहरू वर्णनात्मक ट्यागहरूसँग ट्रान्सक्राइब गरिएका छन्, जबकि उचित नामहरू, शीर्षकहरू, र संख्याहरूले विशिष्ट ट्रान्सक्रिप्शन नियमहरू पालना गर्छन्। स्पिकर लेबलहरू प्रत्येक वाक्यको लागि प्रयोग गरिन्छ, र अपूर्ण वाक्यहरू संकेत गरिएको छ।

परियोजना कार्यप्रवाह

कार्यप्रवाहले अडियो ट्रान्सक्रिप्शन प्रक्रियाको वर्णन गर्दछ। यो अनबोर्डिङ र प्रशिक्षण सहभागीहरूसँग सुरु हुन्छ। तिनीहरू एक एप प्रयोग गरेर अडियो रेकर्ड गर्छन्, जुन QA प्लेटफर्ममा अपलोड हुन्छ। यो अडियो गुणस्तर जाँच र स्वचालित विभाजनबाट गुज्रिरहेको छ। प्राविधिक टोलीले त्यसपछि ट्रान्सक्रिप्शनको लागि खण्डहरू तयार गर्दछ। म्यानुअल ट्रान्सक्रिप्शन पछि, त्यहाँ गुणस्तर आश्वासन चरण छ। ट्रान्सक्रिप्सनहरू ग्राहकलाई पठाइन्छ, र यदि स्वीकार गरियो भने, डेलिभरी पूरा भएको मानिन्छ। यदि होइन भने, ग्राहक प्रतिक्रियाको आधारमा परिमार्जन गरिन्छ।