案例研究：对话式人工智能

解决方案

凭借对对话式人工智能的深刻理解，我们与专家收集者、语言学家和注释者团队一起帮助客户收集、分割和转录数据，以建立 8 种印度语言的大型音频数据集语料库

Shaip 的工作范围包括但不限于获取大量音频训练数据、将录音分割为多个、转录数据并提供包含元数据 [SpeakerID、年龄、性别、语言、方言、
母语、资格、职业、领域、文件格式、频率、频道、音频类型、发言者数量、外语数量、使用的设置、窄带或宽带音频等]。 

Shaip 大规模收集了 3000 小时的音频数据，同时保持了为复杂项目训练语音技术所需的所需质量水平。 每个参与者都获得了明确的同意书。

1。 数据采集

2. 数据分割

• 收集到的音频数据进一步分为每个 15 秒的语音片段，并针对每个给定的说话者、声音类型、对话中的回合、话语和短语添加时间戳至毫秒
• 为其目标声音信号创建每个片段，并在声音信号的开头和结尾处填充 200-400 毫秒。
• 对于所有片段，存在并填充以下对象，即开始时间、结束时间、片段 ID、响度级别（响亮、正常、安静）、主要声音类型（语音、胡言乱语、音乐、噪音、重叠）、语言代码说话者 ID、转录等。

3. 质量检查和反馈

• 所有录音均经过质量评估，并且仅交付 WER 为 90%、TER 为 90% 且经过验证的语音录音
• 质量检查表如下：
     » 片段长度最长 15 秒
     » 来自特定领域的转录，即：天气、不同类型的新闻、健康、农业、教育、就业或金融
     » 低背景噪声
     » 没有音频剪辑关闭 – 无失真
     » 正确的转录音频分段

4. 数据转录
所有口语单词，包括犹豫、填充词、错误的开头和其他言语抽动，都在转录中被准确捕捉。 我们还遵循有关大写和小写字母、拼写、大写、缩写、缩写、数字的详细转录指南，
标点符号、首字母缩略词、不流利的语音、非语音噪音等。此外，收集和转录遵循的工作流程如下：