内部公开 文档密级：内部公开 麦克风阵列数据标注规范 1. 标注任务目标 标注任务就是标注声音文件内容，把“内容栏”的文本与音频真实发音修改一致，最终获取到语音正常的声音文件。 2. 标注任务方式 1) 标注采用标注+检查的方式，保证数据质量； 2) 标注音频数据总分两大类，好数据、坏数据。好数据指发音人是在与系统对话，且语音波形完整、内容清晰的正常数据；坏数据指无效数据； 3) 内容与音频一致指音频发出内容与内容栏文本完全一致（没有错别字）；内容与音频不一致指音频发出内容与内容栏文本不一致，需要人工操作修改一致。详细说明见下表： 数据分类 子分类 内容与音频一致 好数据 内容与音频不一致 坏数据 3. 好数据文本通用录入标准 3.1 转写内容要反应真实读音且遵循词语固定搭配，带口音用普通话意思转写合理文本，音频读音都需转写，标点符号及特殊符号无需录入，必须用简体字录入，不可增减字、错字；人名、小区名、道路名无法确定用字时，录入准确发音的常用字； 3.2 真实发音为“我去哪哪里呀”，“哪”字有重复，就要忠实地录成“我去哪哪里呀”。另由于口音或个人习惯导致的音变，按普通话标注音录入； 3.3 多音字或生活中有不同发音的字，也按普通话标注音录入。例如，“办公室”的“室”，有人说成shǐ，有人说成shì，都录成“办公室”； 3.4 常见固定方言、外语：例如四川话“瓜娃子、滚犊子”，如日语“卡哇伊，莫西莫西”，泰语“萨瓦迪卡”等需转写； 网络用语热门：童鞋、灰常、杯具、表酱紫，坏银、鸡冻等可按此转写； 常见互联网热词：讯飞输入法，灵犀，讯飞语点，苹果siri，wlan，wifi等； 常见语气词或脏话：语气词反应真实读音，例如唉、哎，哦、噢；脏话如 二屄 屌丝 我无 内容栏文本根据音频修改一致，点击“下一句” 点击“标记不可用”，继续标注 标注方式 无需操作完成本条标注，点击“下一句” 内部公开 肏 等，切误用字母代替； 3.5 对于儿化音，也要忠实于发音录入。例如，发音是“哪儿”，就录成“哪儿”，没有发出儿化音的，就录成“哪”； 3.6 发音停顿录入文本连续，不需要空格或添加符号,英文缩写除外；例如，“what’s your name”中的撇号必须是英文状态下录入，特殊符号读法“#”录入“井号键”；“*”录入“星号键”； 3.7 不允许录入阿拉伯数字，需转换汉字，例如，“1”转”一“或“幺”根据真实发音录入，如读“120”可录入“幺二零”；也可点击【数字转中文】【数值转中文】进行“阿拉伯”到“汉字”转换； 3.8 语句中包含英文单词或字母，根据发音录入，字母要大写，字母与字母之间空一格，“单词要小写”，单词与单词之间空一格，汉字与字母或单词之间不需要空格； 例如，发音一个字母读“O P P O”则按照字母录入，若是连读“oppo”，则按照单词录入；例如：如“三W点”则根据真实发音录入； 3.9 麦克风阵列规范补充： 1) 一人说话，能听清的都需要标注，听不清则标坏； 2) 两人以上说话，说话人语音都听清的都需要标注，若其中一人或多人说话重合严重听不清，则直接标坏； 3) 截断数据若能听清楚被截断的字词，则需要标注有语音的听到的内容，被截断的字词若听不清，则为坏数据； 4) 对于音频中含异常噪音（电流声、噗噗..）算作好数据，能听清的需要标注； 5) 对于其他说话声、环境噪音和设备噪音（手机滴滴音、手机震动音、log音）都为背景噪音，不需要转写； 6) 对于包含唤醒词的除了标注文本还需要加注标签，其他的均只要标注音频文本内容即可，不需打标签； 每批数据都需要向众包说明唤醒词是什么； 如小白小白、公子小白、公子小哥为纯唤醒词，标签注明为：纯唤醒词； 如小白小白你好吗、公子小哥在干嘛„，标签注明为：含唤醒词； 如小白在干嘛，小白、小哥„，此类标签注明为：唤醒词不完整； 7) 说话参杂人声非语音（咳嗽、清嗓子、打喷嚏、笑声等），只转写主发音人说话内容，对于笑声是说出来的要转写，若是自然笑无需转写； 本文来源：https://www.wddqw.com/doc/da935a753868011ca300a6c30c2259010202f3b8.html