语音识别是语音信号处理的重要研究方向之一，它是一门涉及面很广的交叉学科，与计算机、通信、语音语言学、数理统计、信号处理、神经生理学、神经心理学、模式识别、声学和人工智能等学科都有密切的联系。它还涉及到生理学、心理学以及人的体态语言。


语音识别技术发展到今天，特别是中小词汇量非特定人语音识别系统识别精度已经大于98%，对特定人语音识别系统的识别精度就更高。这些技术已经能够满足通常应用的要求。由于大规模集成电路技术的发展，这些复杂的语音识别系统也已经完全可以制成专用芯片，大量生产。


short8-常规数据

批次_ID _工期。遵循本规则的常规规范（标题一~五）

1、如2_ID15_12.16：批次2是常规数据，ID为15，提交时间为12/16中午


short8-VAD数据

批次_ID _VAD_提交工期。特殊规范如下

1、单人说话能听清的都转写，不管是不是语气词，不管字数，都转写

2、遇见说话中间有大于1秒的。只截取并转写停顿前面的有效语句。如果挺顿没有大于1秒则全部转写

3、有多人说话的，且都能听清的，整段无效

4、有人声底噪（多为设备收音收进去的），人声底噪有可以听清的部分，整段无效

5、底噪为人说话，但是底噪全部听不清，有效-转写主要说话人


short8-T数据

批次_ ID _T2_提交工期 。特殊规范下 ：

1、有效文本小于2个字的，无效。平台有自动卡控（8k）


short8-C&D数据（车牌&地址）

批次_ID _C&D_提交工期。特殊规范如下：

1、非车牌非地址类音频按照常规规范做。地址/车牌类按照如下特殊规则

2、车牌：必须写对，如果出现字母拼读一定加空格

3、地址：

（1）地址必须是唯一且正确的地址，不允许出现同音不同字的情况

    （2）如果发音人说错了路名/大楼名称/区域名称，通常是漏字、说错地址的称谓属性，并且无纠正

    • 例如

    云岗西路，错说成岗西路

    福永街道，错说成福尔街道

    这类数据，在确物流场景中搜索不到对应结果或结果不唯一的情况下视为无效

      （3）关于音频地址主体部分存在缩写/简称的情况，合理的缩写地址，可以算作有效

      • 例如

      发音：安吉银润城堡酒店

      搜索：安吉银润锦江城堡酒店

      处理：只要确认发音人地址表述清晰且可以具有唯一性，则算作有效

      （4）关键地址不允许使用存疑符号(~)，如果确实听不懂无法转写出来标为无效


      short8-③-meeting数据

      从ID2070（2020/4/27）开始传在short8-③组-分4个无效原因。特殊规范如下：


      1、meeting有效特殊点：

        （1）会议中会包含一些转写不出来的英文，英文部分不要用(~)标记。操作：跳过听不懂的英文部分，截取并转写中文占比高的部分。举例如下

        • 发音：这个服务operations operations是他来定义的。
        • 截取并转写为：是他来定义的。（如果英文会转写还是全部截取并转写）


        2、meeting无效特殊点：

        （1）保密级别高，需要注意数据安全。包含电话号码、银行卡号、密码等→无效1-人噪

        （2）无法转写出来的英文过多导致可以截取出来的有效占比低于50%→无效4-busy

        （3）无效数据为非英文的外语种→无效1-人噪

        （4）无效数据为非英文的外语种+英文→无效4-busy

        （5）只要无效数据中包含英文单词或疑似英文的，都选择→无效4-busy


        3、meeting注意：

        （1）一些简单的英文或字母要转写的，像user I D、A one、excel、O S S，hello, link, share……简单的英文或者简单的数据库术语、开发用语需要转写

        （2）有效中英文转写出来要保证准确性的，如果转写出来与音频不一致或瞎拼写的，就不要错误的标注出来，要无效

        （3）发现为了凑有效瞎拼写英文，或者用拼音拼写英文的一律停号反思




        电视数据

        批次_ID _电视 _工期。特殊规范如下

        1、有效数据判定

        （1）通过整条音频判定是否与电视交互。电视交互包含不仅限于电视节目，包含像小品、电视剧、电影、影视明星、音乐、游戏等以及播放、暂停、增加音量、继续、下一曲、下一集、减少音量等功能指令

        （2）明星、电视节目等为专有名词，必须准确且能查到

        （3）口误或自我纠正的，保证指令的有效且可以查到的，算有效

        如：小猪小猪佩奇、小猪猪猪猪佩奇→有效；小猪佩拉哦奇→无效

        （4）有效指令截断：音频中包含指令的上半部分，算有效，如：请播放三国演，算有效


        2、有效数据转写

        （1）音频中如包含有效指令+非指令部分，只转写有效指令部分

        发音：打开哪吒之魔童降世，降世人家叫，啊降。

        正确：打开哪吒之魔童降世


        3、无效数据判定

        （1）无具体指令，类似音频中只有我要看，我想看，搜索，请播放，帮我播放，给我播放等：没有精确到具体指令的—无效，如发音：我想看

        这里请注意“播放”，如果音频中只有“播放”，算有效，如果是“请播放”算无效

        特殊：发音“D V D版”有效

        （2）具体指令听不清，只有“我想看”可以听清，后面的具体指令听不清的，无效

        （3）发出的指令查询不到，无效。如：奇妙噩梦

        （4）口误或自我纠正，口误或自我纠正导致有效指令查询不到或错误，无效。如：三国演天天义

        （5）截断剩下后半部分，如果音频截断只剩下后半部分的，无效

        （6）整句无语音，即只有噪声，非实际说话人语音

        （7）整句有语音，模糊听不清楚（被噪声淹没，或发音问题噪声）

        （8）整句有语音，清晰，但是毫无语义，如“啊；啊啊；呵呵； 他他他；走走”语气词等；

        （9）整句有语音，多处存在听不清语音，且占比较高

        （10）整句有语音，实际清晰的只有一个字，有效语音太短； 如“你”“走” “去”“哦”等；

        （11）整句都是与业务场景完全不相关的内容，例如：其他非与电视交互的闲谈，如：你吃了吗等

        （12）整句有有效指令（两三个字），但同时存在多人重叠或非指令且占比较高，无效

        4、电视测试集禁用存疑标签-（~）


        IVR数据

        批次_ID _IVR _工期。IVR数据中会有整条只有单字的情况。处理办法如下

        （1）如果单字是非语气词，如整条只有“对”“是”→有效

        （2）如果单字是语气词或者整句非单字但是只有语气词→无效


        short8-②-直播数据

        批次_ID _直播 _工期，特殊规范如下：

        1、无效：需要截取并加对应的标签

        （1）无效截取：预留20~30ms

        （2）无效标签如下




        2、特殊情况处理

        （1）如果有多种无效标签同时出现，则截取时长占比长的加对应标签

        （2）如果有两种标签重叠出现，一起截取，标签标记主要的噪声。

        （3）如下截图

        • 音频：蓝色:noise；黄色:other; 红:noise
        • 处理：截取占比大的红色无效-noise




        近场数据（7月31后的新数据ID＞3142。传在short8-③）

        1、通过距离麦克风位置远近来判断主次说话人，标注距离麦克风位置最近的，距离麦克风远的不标注

        2、如多人说话距离麦克风位置相近，都正常标注

        3、如在音频中间位置出现距离麦克风远的声音，暂不用标签，底噪标注有

        4、无法听清的人声或非人声音（音乐等）的底噪距离麦克风位置更近， 或者与真实人声位置相近，标注：无效-其他

        5、如多人说话距离麦克风位置有远近，仅转写主说话人声音，如主说话人声音忽高忽低，也正常转写，次说话人声音不转写

        6、脏文本


        short8-meeting2数据

        1、同常规规范，注意音频内容会涉及一些英文，如果发音正常就要转写。由于发音不清楚导致英文无法转写的字词可以用(~)代替之。（因为个人认知不会英文导致写错或者漏写的是算错）

        2、ID3914short8-②+如果是音乐听不懂还是用还是用music_p1和music_p2，听得懂转写并句首加标签


        short8-DB数据

        1、常规短音频标注，听到的都标（游戏背景音效声正常标注 唱歌的也标注）

        2、有领域的提示，会标记在批次名称上


        方言-粤语

        1、有效：粤语+普通话，有效，单独切分转写粤语部分

        2、无效：整句无粤语，请反馈

        3、文本转写：使用粤语简体字转写音频，注意不要使用繁体字


        方言-四川：依据不同分类的四川数据规则，转写语音，特殊字词发音写法参考四川话词表

        特殊字词注意：川渝口音里面的“一哈”转写为“一下”； “一哈儿”转写为：“一哈儿”（“一哈”和“一哈儿”的区别：“一哈”为“一下”，如“问一哈”，“一哈儿”代表非常短的时间，如：“等一哈儿”，“歇一哈儿”。 ）




        数据分类-川1

        1、有效：四川+普通话，有效，四川和普通话都转写

        2、无效：整句无四川方言，请反馈出来，可以听清的普通话请标注无效-其他


        数据分类-川2

        发音清楚地普通话或者四川方言都转写，不管是整条还是部分普通话。（如之前做的四川疫情数据）


        方言-河南

        1、发音清楚地普通话或者河南方言都转写，不管是整条还是部分普通话。


        其他方言

        1、音频无对应的方言，只有普通话，无效-其他


        外语-越南语

        1、无效：整句只有非越南语的其他语种，无效

        2、文本转写：将越南语音频转写为越南文字


        外语-印尼语

        1、无效：整句只有非印尼语的其他语种，无效

        2、文本转写：将印尼语音频转写为印尼文字

        3、关于同音不同写法：

        相同发音的单词,例如enggak=nggak,gak=ga,但统一转写为标准的enggak和gak。尽量使用完整标准的单词标注。

        不需要转写拖长音,按照标准单词写法即可:例如Iya和Iyaaa

        4、印尼语中偶尔出现几个简单英文单词或短语，都标出。

        5、无法转写的英文，≤3处，可以用~代替无法转写的英文[~可以代替1~3连续的词]

        6、无法转写的英文，＞3处，则分辨是否有完整时间点的印尼语段，有则避开英文截取印尼语段转写

        7、无法转写的英文把整条印尼语分的过散，无法截取出来有完整时间点的印尼语段，则可以整条无效

        8、若音频首部是英文和/或尾部是英文，中间为印尼语，只标出印尼语的部分，并标出印尼语部分的起止时间。

        9、若英语大段夹在印尼语中间并占音频整段大于等于三分之二，就整段无效。

        10、整段英文或者其他语种，无效。

        11、若一条可以分为大段的印尼语和其他语种，只截取标注印尼语。（当印尼语被分为多段的时候，选择标注长度大的那段）


        外语-韩语

        1、标点符号：按照韩语的语法规则书写。标点符号后面要空格

        2、外来词：用韩文书写，例如elevator需写成엘리베이터。除非根据上下文确定说的是英文才写英文

        3、韩语书写：按照韩文书写规则，独立词组之间都要空格；不确定的使用naver检查

        4、口语发音：例如嘶，写成韩语쓰읍


        外语-西语

        1、语气词：请按照规范的写法写

        例如：发音eh、eeh，统一转写为eh


        外语-俄语

        1、语气词：请按照规范的写法写

        例如：发音eh、eeh，统一转写为eh

        在经济发达国家，大量的语音识别产品已经进入市场和服务领域。一些用户交机、电话机、手机已经包含了语音识别拨号功能，还有语音记事本、语音智能玩具等产品也包括语音识别与语音合成功能。人们可以通过电话网络用语音识别口语对话系统查询有关的机票、旅游、银行信息，并且取得很好的结果。