语音数据指标解读
一、语音数据类型
按照话语的自然程度分类：
朗读式语音对话式语音按照信号频宽角度分类
手机信道语音电话信道语音桌面语音（高保真麦克风或阵列）按照应用角度分类
基础识别数据
基础语音识别能力的训练数据可分为：朗读语音、自然对话、引导语音、噪音环境、情感语音、声纹识别等六大类语音数据。
智能家居数据
3000小时中国儿童语音数据
797人低幼儿童中文语音数据
220人美国儿童麦克风采集语音数据
1044小时闽南语手机采集语音数据
1032小时上海方言手机采集语音数据
1000小时昆明方言手机采集语音数据
……
智能车载数据
531小时麦克风手机采集车载噪音数据
245小时车载环境普通话手机采集语音数据
1,030小时中英混读手机采集语音数据
……
智能手机数据
3125小时语音助手普通话实网采集语音数据
200人中文唤醒词手机语音采集数据
……
智能会议数据
1000小时普通话多人自然对话语音数据
800小时美式英语语音数据-交互场景
……
智能客服数据
2823小时普通话客服实网语音采集数据
555小时全领域客服实网语音采集数据
140小时电商客服普通话实网采集语音数据
……
二、语音数据制作要求
录音人的特征要求
性别：男女比例年龄分布方言区域分布特殊发音人语速发音方式质量要求
数据结构的完整性数据量的完整性语音的合格率标注的合格率三、 语音采集
①录音文本：
②录音设备：
固定电话：办公电话、家庭电话手机（通信设备）：安卓系统、苹果系统手机录音笔：手持式、非手持式高保真麦克风：外接声卡、内置声卡其他移动设备：智能语音录音设备③录音环境：
安静室内、家居、车载、街景、车站、工厂
•通常的相对安静采集环境：不能有明显回音、不能有其他人说话声、没有电流声、没有持续噪音（空调声等）。
噪音DB值：
量化环境噪音的强度，可以用声压计测量。业内通常要求不超过40-50DB，我们18年开始做的数据基本都在40DB以内
信噪比：
量化说话人音量比环境噪音音量高出多少。业内通常要求大于10-20DB，我们的数据符合
④录音数据格式：
采样率：16KHz、22KHz、44.1KHz、48KHz
量化位数：8bit、16bit、32bit
声道：单双声道
•不同设备通常采集的格式不同：
采集设备：
手机：16KHz、16bit （不同手机的降噪性能不同）
电话：8KHz、16bit
高保真麦克风或麦克风阵列：44.1KHz48KHz、16bit32bit
存储格式：WAV（录音时用的标准的WINDOWS文件格式）
⑤录音人注意事项
1.性别比例：通常要均衡，男女1:1最佳，可以有5%-10%的波动误差
2. 地域比例：覆盖越广越好（中国是七大方言区，按人数比例分布）
3.年龄比例：通常是18-25岁年轻人为主，但中年人也要有一定比例覆盖
4.语音时长：交付客户时，一个录音人的语音时长最佳在30分钟左右，不超过1小时为宜。
⑥合格指标
⑥错误样例
1.音量大小、听不清（语速过快、发音不清）
3. 截幅：声音信号经音频设备重放后多出来的额外的谐波成分.(模拟截幅、数字截幅）
4. 失帧、丢帧 （模拟到数字信号后丢失数据信息）
5. 噪音、语音内容中有第二发话人出现
5.变声
6.喷麦
6. 语义不通
7. 重复音、磕巴音导致标注错误
四、语音标注
1、标注类型
• 标注的内容分类
必需项：
语音打点：按句切分，每句保留一定静音段；文字转写；对多人对话语音，还需区分说话人
可选项：噪音标注；拼音标注
2、标注要求
语音打点：
•判断语音是否有效
※ 判断是否为有效或无效语音的原则：
如果一段语音声音极小，小到几乎听不到，则标注为无效。如果一段语音中只含有噪声或者静音（视为无声音），则标注为无效。如果只有“嗯”、“啊”、“哇噻”、“喂”等再无其他内容，则标注为无效。一句话有听不清楚的部分，不能判断内容，转写不出全部正确结果的情况下，则标注为无效。•语音内容转写标注
※ 数据转写标注人员根据所听到的音频写出内容，力求使文本内容与音频发音内容保持一致。
一般准则：
1.标注内容的完整性要与实际发音一致，不能多字、少字、错字。
◎ 口语不流利时会出现重复、修正、断续、犹豫的现象，统一按照实际发音情况进行转写。
例如：“我是 北 北 京人”“那个 那个 有没有”
◎口语快速发音时会出现吞音、错音、变音的现象，错音和变音需要按照上下文语义判断正确转写内容。例如：“政府”发音为“正负”，根据语义判断后应该标注为“我要去政府街”。吞音现象为发音不明显，无法断定。标注的时候需要用“{}”符号辅助转写。例如：“走不走{啊}”，其中“啊”字不明显。儿化音同样采取和吞音现象的转写方法。例如：“这{儿}不错”，其中“儿”字不清晰。
2.音频中的阿拉伯数字要转写成汉字形式，如要写成“一二三”，而不是“123”。 注意区分“一”和“幺”，“二”和“两”。
3.音频中有英文发音的应转写成相应的汉字或英文。具体分为以下几种情况：
◎ 网址中包含的所有的字母或单词，均为大写。例如：发音内容为”www.pp.com”, 应转写为“三W点PP点COM”。
◎ 发音中包含的英文单词，转写时全部为小写。
◎ 发音中包含的英文字母，转写时全部为大写。
◎ 对于一些专有名词，或者一些英文缩写，转写时全部为大写，例如：WTO、ERP等。
4.如发音清楚，但是语义不确定，比如普通人名等，可以选择同音字转写，但需要保证转写的读音正确。
5.关于添加空格注意事项：
◎ 空格只允许出现在英文单词之间。
◎ 英文字母、中文、中文和英文之间，均不能出现空格。
3、噪音符号解析
•噪音标注
•噪音内容标注项
[h]: 表示人的呼吸声
[k]: 表示人的咳嗽声
[x]: 表示人的笑声
[p]: 表示人的喷嚏声
[z]: 表示人的咂嘴声、喷麦声
[n]: 非人发出的声音，主要是一些偶然出现的噪声，例如:鼠标操作声音，敲击键盘的声音，汽车笛声等。
4、合格指标
按句计算合格率
※ 句准确率=正确的句子数/总句子数
注：一句话里有一个字错，也算该句错
按字计算合格率
※ 字准确率=正确的字数/总字数
业内要求：普通话朗读类通常要求句准确率96%-98%、普通话对话或客服类通常要求句准确率95%-97%、方言和外语通常要求句准确率95%
五、发音词典
1、发音词典作用
2、发音词典格式
发音词典和语种一一对应：一个语种只需要一个发音词典
发音词典里包含的词汇尽可能全，至少包含语音数据里的所有词
OOV：语音数据里有发音词典里没有的词
发音词典的规模通常是5-10万词
一个词对应一个或多个音标（一个词可能有多个音标）
音标通常是国际音标（IPA）或其他类似书写形式（中文通常用拼音表示）
3、发音词典样例
4、发音词典的商务策略
发音词典和语音数据是独立的两套数据
大部分客户会自己持续构建和扩充一个语种的发音词典
有些客户希望我们有发音词典，否则不买我们语音数据
建议：如果我们的发音词典没有或工期慢，可建议客户采购别家发音词典（如果客户担心别家发音词典词汇不全，可以把词表给我们，我们卖只有这些词的语音数据）
本文分享自：数据堂
网址：https://www.datatang.com/