首先语音识别系统对收集到的目标语音进行预处理，这个过程就已经十分复杂，包含语音信号采样、反混叠带通滤波、去除个体发音差异和设备、环境引起的噪声影响等等。之后对处理的语音进行特征提取。

语音识别的原理其实并不难理解，原理上和指纹识别的原理相同：设备收集目标语音，然后对收集到的语音进行一系列处理，得到目标语音的特征信息，然后让特征信息与数据库中已存数据进行相似度搜索比对，评分高者即为识别结果。然后通过其他系统的接入来完成设备的语音识别功能。本篇文章给大家主要分享一下，对中英ASR的标注。


需要标注语种：中英混ASR

标注要求

1、语义片段截取

2、入股音频内没有英文单词，直接选择“丢弃”。

3、原始数据有初始的起始点，需要重新进行截取。对语音进行最大截取，截取能听懂的最长连续语音片段，首尾截取点可以包含静音片段。

4、如果大部门都听不懂，最后剩下最长语音片段小于2s，选择“丢弃”，后续ASR相关标注无需进行。


转写文本标注

1、需要注意的是数字需要使用中文数字，不要标注阿拉伯数字等其他符号，如果念的是英文字母串需要在字母串中间加空格。（标注文本中只能包含汉子英文和标点）

2、如果语音片段中有多人说话，说话没有重复，正常标注，如果说话有重叠，标注主说话人。

3、标注主说话人，背景噪音不要标注。（背景噪声、人声噪、电视噪声幅值低于主要说话人语音幅值的一半）

4、人声重叠，多个人说话声音大小相近，需要截取掉或者丢弃。（背景噪声、人声噪、电视噪声幅值高于主要说话人语音幅值的一半）


标点标注

1、逗号，句号，感叹号，问号

2、纯文本和中英混用全角标点，纯英文用半角标点。其他标点标注标准可参考：中英文标点标注规则-外部


常见字母串

1、常见的字母串（ktv pdf）不用加空格，无法界定是否常见可加可不加（nfc）


音标写法

1、全英文语境[h]，[en]，-英文标点

2、中英混：这个音标念[h]，这里的逗号是中文逗号

3、要点：音符前后都需要打空格，音标和标点之间都需要空格（不区分全角半角）


标点符号

1、根据实际转写出来的文本打标点符号

2、标点符合常用习惯即可，不能出现硬性错误。（类似于英语随意给逗号，语义完成的句末给逗号）

3、话没说完，末尾不要打标点，说完了打句号

4、关于标点符号，以下三个例子中

（1）一台iphone十二，

（2）八月，一月爆火的Never家。韩货老大的Lisa

（3）fenty beauty 的另一个持妆系列的一个粉底液

以上这三个句子，都是名词类的，都不需要家标点


笑声的转写

1、大于等于5个的不可数笑声 -统一转写5个

2、小于5个的笑声，按照实际发声数转写


截取

1、首尾截取静音预留无要求

2、如果主说话人在说话的过程停顿了很久，中间大段的静音片段也可保留


磕巴

1、中文磕巴：紧凑的叠字我我不去。直接这样写即可，我我之间不打标点。

2、英文磕巴：re- re- restaurant 结巴音后打连字符加一个空格


单词转写

1、英文单词发音不标准，能猜出目标词，写目标词

2、找不到发音的英文单词，不进行转写

（1）https://tcs.jiyunhudong.com/workprocess/6950089134979465736?mode=scan&task_ids=6950149502779048451音乐的 do re mi fa sol，截取掉，不转写

（2）https://tcs.bytedance.net/workprocess/6950089134979465736?mode=scan&task_ids=6950149551399387662JavaScript 他念成了 Java creen 发音差别较大，还是写目标词 JavaScript

（3）单词 sql 有念 secker的 有念 socker 的。我们都转写为 sql 目标词。


语音识别是涉及心理学、生理学、声学、语言学、信息理论、信号处理、计算机科学、模式识别等多个学科的交叉学科，具有广阔的应用前景，如语音检索、命令控制、自动客户服务、机器自动翻译等。当今信息社会的高速发展迫切需要性能优越的，能满足各种不同需求的自动语音识别技术。但是，这样的目标面临着诸多困难，如：

①语音信号会受 到上下文的影响而发生变化；

②发音人以及口音的不同会导致语音特征在参数空间分布的不同；

③同一发音人心理和生理变化带来的语音变化；

④不同的发音方式和习惯引起的省略、连读等多变的语音现象；

⑤环境和信道等因素造成的语音信号失真问题


文章来源知乎，本文作者：阿玲