语音识别的研究工作对于信息化社会的发展，人们生活水平的提高等方面有着深远的意义。随着计算机信息技术的不断发展，语音识别技术将取得更多重大突破，语音识别系统的研究将会更加深入，有着更加广阔的发展空间。语音识别是解决机器“听懂”人类语言的一项技术。作为智能计算机研究的主导方向和人机语音通信的关键技术，语音识别技术一直受到各国科学界的广泛关注。这篇文章就给大家分享，《语音识别-方言转写》案例。


判断声音是否有效

1、有效：中文标准普通话，或者略带轻/重口音的地方；保存继续下一句快捷键alt+enter

2、无效：整体判断原则不变，判断原则见P2，但是对无效3类，如下无效1-人噪，整句只有人噪没有有效语音


（1）听不清人说的内容，无法判断的

（2）有效占比过低的数据（如一句话整段只能听清30%，剩下的70%听不清）

（3）只有语气词：嗯，啊，嗯嗯，哦哦

（4）视频或电视节目等真实人声，如不能转写出来-无效1-人噪无效2-非人噪，整句只有非人噪没有有效语音

（5）非人发出的噪声，比如鸣笛声、开关门等

（6）非发音人说话的语音（比如咳嗽笑声等）、音乐（纯音乐、清唱、录播的音乐）、键盘音、电话忙音、彩铃等

（7）唱歌属于非人噪。不管是清唱、跟唱或原生带唱的

（8）音频总时长＞16秒且全是非人说话的噪音的时候。无效2-非人噪无效3-其他：


如tts即人工合成的声音

音频总时长＞16秒且是人声的时候

由于采样率错误或数据源问题导致的变音-语速异常，过快或过慢的

如果一个批次连续出现语速不正常音频，请先暂停标注并反馈


注意：

（1）包含人噪及非人噪，优先标注为人噪

（2）包含人噪及tts，优先标注为人噪

（3）包含tts及非人噪，优先标注为其他

（4）音频有问题，像是说话不正常特别快或特别慢，需要反馈出来确认是否无效

（5）常规无效中，出现多种无效原因，按照优先级选择：人噪＞其他＞非人噪


关于TTS和录音电子音定义

1、TTS：无效。指人工合成的声音，非常标准的，如地铁中的播报，导航的声音……TTS声音的特征较为僵硬，声调无明显转换

2、录音电子音：有效。电视中人的声音，广播新闻中人的声音，指录的真人的声音……


性别

1、男

2、女


口音

1、有|无判断：按照有无明显口音为标准。平翘舌不分，n l不分，前后鼻音不分等，还有特别明显的地方味道的重口音，则算有口音。


底噪

1、有|无判断：截取区间内有连续性背景噪音/无连续性背景噪音，包括敲打键盘声音、其它人声音、电视背景音、汽车声音等。特别注意“连续性”、“持续性”。 按照是否明显判定。请务必区分句子中单独噪音(noise)和连续底噪的概念。


儿童音

1、有|无（主观判断）整个音频是/不是儿童音。按照是否明显判定。


标签

1、标签代表 截取区间红线内的一些噪音等标注


原始文本

1、是预识别的参考结果。有参考结果做校对，没有参考结果做转写


文本标注规范及标准

1、转写内容与实际发音内容一致，对于因为口音或者个人习惯导致的音变，仍按照原内容转写。Liu2奶→写牛奶；转写内容的完整性要与实际发音一致，不得删减；请规范汉字使用，不要出现错别字，特别也规范“的得地”的使用。

2、专有名词：所有的专有名词，包括人名、地名、组织机构名等，详细规范说明如下：对于熟知的人名，必须正确转写。例如，“郭德纲的相声很不错”，就不能转录成“郭德刚”。 “邀请白举纲参加来往活动”，不能是“白句刚”。 而对于泛泛的名字，则使用最常见的文字来转写，不使用生僻字。例如，用“王小明”，不用“王晓明”，更不能用“王潇铭”（这个太偏僻了）。地名、组织机构名规则与人名相同。

3、同音字的使用不同批次不同要求，注意发布任务前的通知。

4、数字写法：按照数字的汉字写法写成“一二三…”形式，而不是“123”更不能是“壹贰叁”；注意： 读yao1写幺，读lia3写俩，读liang3写两，读1.5*1.8写一点五乘以一点八

5、音变（轻声/儿化）、变调、口音、方言词汇


（1）儿化音：有明显儿化音则转写，比如：“这个小孩儿”

（2）轻声要转写

（3）汉语变调情况普遍。标注时只转写其本调汉字。

（4）例如： yi2 bu4 xiao3 xin1 jiu4 da3 dao4 ni1 le1.

（5）错误转写：移不小心就打到你了。

（6）正确转写：一不小心就打到你了。

（7）由于口音或个人习惯导致的音变，按普通话标注音转写。例如，“办公室”的“室”，有人说成“shi3”,有人说成“shi4”，都要转写成“办公室”


6、标点

（1）只可以采用逗号、顿号、句号、问号、感叹号五个标点符号。

（2）句尾需要加标点。

（3）句子标点符号不可过碎，亦不可整句无标点。

（4）标点符号不可连续使用。例如不要出现“，。。。”


7、繁体&简体问题：禁止使用繁体。只能用简体中文


8、英文

（1）字母拼读大写加空格：Q Q，K T V；M P三；车牌中的字母拼读必须加空格

（2）单词：正常大小写。Agelababy；iphone…

（3）中英混：中英混的情况，中文+英文单词/英文字母。对于英文单词，或者作为单词发音的缩写词，如果其发音是按照一个单词来发音的，请直接转写，注意字母间要加空格，英文和汉字之间不用加空格。


9、拼音：写拼音_py。 发音：s u an酸；转写：s_py u_py an_py 酸


10、语气词: 语气词一般带有口子旁。常见语气词有“嗯（en1,en2,en）、啊(a1,a2,a)、呀(ya1,ya)、哇(wa1)、哦(o1)、啦(la1)、呢(ne1,ne)、咚(dong1)、呐(na1,na)、吧(ba1)、吗(ma1,ma)、呵(he1,he)、呃(e1,e)、唔(wu1)、嘛(ma1,ma)”等。


11、保存：保存继续下一句快捷键(alt + enter)；最后一句保存后，右上角出现提交按钮，提交后质检才能查标注员的任务。


12、常规数据如果句子中间有几个音可以听清（非专有名词发音），但是转写后没有意义，我们可以音译不要使用~。用~会影响字准。是专有名词写不出来可以使用~


13、首字/尾字：

（1）首/尾字能听出来就正常转写

（2）发音模糊听不出来的截取到红线外不转写，禁止在首/尾加（~）

（3）首/尾字被截断，能听出来的截取到红线内正常转写。

（4）首/尾字被截断，听不出来的截取到红线外不转写，禁止在首/尾加（~）


截取

1、一条音频只截取一段有效。有效语音前、后需保留一定静音部分，静音部分20ms-30ms（非常小，是一个格子的1/10，一个格子是200ms。就是为了不切到有效文本的波形而设置的）。如果有效文本前后是噪音，则贴着音频截取，不做预留

2、句首句尾有截断的情况，从听感上能听出来说的是什么，则转写出来；若都不行，则从能听清的地方截取准确时间点。

3、错误的截取（只截取有效音频的一部分就转写文字，或者截取的音频与文字对应不上）。质检检查的时候，如果音频直接播放的文字跟文本对不上那就是截取错误了。要改正，标注和质检在反复听的时候注意别把截取弄错了。


其他注意事项

1、需要截取，不要切到波形。

2、超时回收：标注任务领取48小时后的凌晨3：00回收；返工超3次，第4次返工系统回收

3、新人第一个包做完提交后必须申请质检，首包通过后才可以自己随便领任务了。


随着现代科学的发展，人们在与机器的信息交流中，需要一种更加方便、自然的方式，而语言是人类最重要、最有效、最常用和最方便的通信形式。这就很容易让人想到能否用自然语言代替传统的人机交流方式(如键盘、鼠标等)。人机自然语音对话就意味着机器应具有听觉，能“听懂”人类的口头语言，这就是语音识别(Speech Recognition)的功能。