Daar is verskeie verskillende tipes kliënte - sommige het 'n duidelike idee van hoe hul spraakdata gestruktureer moet word, en sommige is meer buigsaam met hul benadering.
As 'n diensverskaffer moet ons seker maak dat beide die kliënt se vereistes nagekom word. Met 'n kliënt wat buigsaam is met hul vereistes, is dit egter moontlik dat hulle nie ten volle gegee het nie spraakdata-insameling 'n volledige gedagte.
Dit is waar die bydrae van die spraakdatastelverskaffer ter sprake kom.
Ons het die verantwoordelikheid om die punte wat in gedagte gehou moet word ten toon te stel voordat die oudio begin data-insameling projek om die KI-organisasies in staat te stel om 'n haalbare, doeltreffende en koste-effektiewe oplossing te identifiseer.
Die stemherkenningsmark, in die wêreld, sal na verwagting groei tot $ 27.16 miljard in 2026 vanaf $10.7 miljard in 2020 teen 'n CAGR van 16.8%.
Kom ons kyk na al die effektiewe maniere of punte wat in gedagte gehou moet word voordat die spraakdata-insameling projek.
- Tale en demografie
- Versameling Grootte
- Struktuur van die skrif
- Oudiovereistes en -formate
- Aflewerings- en verwerkingsvereistes
- Ander belangrike punte om op te let
Tale en demografie
Die projek moet eers die teikentale en teikendemografie spesifiseer.
Tale en dialek
Begin deur die projekvereiste in gedagte te hou – die tale waarvoor die spraakdatastel ingesamel en aangepas word. Verstaan ook die spesifieke vaardigheidsvereiste. Moet die deelnemer byvoorbeeld 'n moedertaalspreker of 'n nie-moedertaalspreker wees?
Byvoorbeeld - Engelssprekendes
Om kort op die hakke van taal te hardloop, is dialek. Om seker te maak dat die datastel nie aan vooroordele ly nie, is dit raadsaam om doelbewus dialekte in te voer om diversiteit by deelnemers te akkommodeer.
Byvoorbeeld – Sprekers met Australiese Engelse aksent
lande
Voordat jy pasmaak, is dit belangrik om te weet of daar 'n spesifieke vereiste is dat die deelnemers van spesifieke lande moet kom. En of die deelnemers tans in 'n spesifieke land moet woon.
Byvoorbeeld – Punjabi word verskillend in Indië en Pakistan gepraat.
Demografie
Benewens taal en geografie, kan die aanpassing ook op grond van demografie gedoen word. Teikenverspreiding van deelnemers op grond van hul ouderdom, geslag, opvoedkundige kwalifikasie en meer kan ook gedoen word.
Byvoorbeeld – Volwassenes vs kinders of opgevoed vs onopgevoed
Versameling grootte
Jou datastel sal die werkverrigting van jou dataprojek beïnvloed. Die insamelingsdatagrootte wat u benodig, sal egter ook die benodigde deelnemers bepaal.
Die Totale Aantal Respondente
Bepaal die totale aantal deelnemers wat vir die projek benodig sal word. Indien die projek taal vereis oudiodata-insameling, moet jy die totale aantal deelnemers wat per geteikende taal benodig word, ontleed.
Byvoorbeeld – 50% Amerikaanse Engels en 50% Australiese Engelssprekendes
Die totale aantal uitsprake
Om die spraakdataversameling te bou, bepaal die totale aantal uitsprake of herhalings per deelnemer of die totale aantal herhalings wat benodig word.
Byvoorbeeld – 50 deelnemers met 25 uitsprake per deelnemer = 1250 herhalings
Skripstruktuur
Die skrif kan ook aangepas word om aan die behoeftes van die projek te voldoen, daarom is dit raadsaam om die hulp van spraakterapeute om die vloei van teks te ontwerp. As die ML-model op goed gestruktureerde data opgelei moet word, moet dit die skrif en werkvloei in ag neem.
Scripted vs Unscripted
Jy kan kies tussen die gebruik van 'n geskrewe teks of 'n natuurlike of ongeskrifte teks om deur die deelnemers gelees te word.
In 'n geskrewe tekstoespraak lees die deelnemers wat op die skerm vertoon word. Hierdie metode word meestal gebruik om opdragte of instruksies op te teken.
Byvoorbeeld – 'Skakel die musiek af,' 'Druk 1 om op te neem.'
In die ongeskrewe toespraak word die deelnemers scenario's gegee en gevra om hul sinne te raam en so natuurlik as moontlik te praat.
Byvoorbeeld – 'Kan jy asseblief vir my sê waar die volgende vulstasie is?'
Uitingversameling / Wakeup Woorde
Indien geskrewe teks gebruik word, moet jy die aantal skrifte wat gebruik gaan word, besluit en of elke deelnemer 'n unieke skrif of 'n groep skrifte gaan lees. Bepaal ook of die skrif 'n versameling wakker woorde en opdragte bevat.
Byvoorbeeld -
Opdrag 1:
"Alexa, wat is die resep vir 'n sjokolade kolwyntjie?"
"Ok Google, wat is die resep vir 'n sjokoladekolwyntjie?"
"Siri, wat is die resep vir 'n sjokolade kolwyntjie?"
Opdrag 2:
"Alexa, wanneer is die vlug na New York?"
"Google, wanneer is die vlug na New York?"
“Siri, wanneer is die vlug na New York?”
Oudiovereistes en -formate
Oudiokwaliteit speel 'n deurslaggewende rol in die spraakherkenning data-insameling proses. Afleidende agtergrondgeluide kan die kwaliteit van versamelde stemnotas negatief beïnvloed. Dit kan ook die doeltreffendheid van die stemherkenningsalgoritme verminder.
Klank kwaliteit
Die kwaliteit van die opnames en die teenwoordigheid van agtergrondgeraas kan die uitkoms van die projek beïnvloed. Maar sommige spraakdataversamelings aanvaar die teenwoordigheid van geraas. Dit is egter raadsaam om 'n beter begrip te hê van die vereistes in terme van bistempo, sein-tot-geraas-verhouding, amplitude, en meer.
Format
Die lêerformaat, datapunte, inhoudstruktuur, kompressie en naverwerkingsvereistes bepaal ook die kwaliteit van spraakopnames.
Die rede vir die belangrikheid van lêerformate is dat die model die lêeruitset moet identifiseer en opgelei moet word om daardie spesifieke klankkwaliteit te herken.
Definieer persoonlike oudio-vereiste
Pasgemaakte oudiovereistes moet voor die begin van die insamelingsproses genoem word. Kliënte kan pasgemaakte oudiolêers kies waar spesifieke lêers saamgevoeg word.
Aflewerings- en verwerkingsvereistes
Sodra die spraakdata ingesamel is, kan die kliënte kies om dit volgens hul vereistes te laat aflewer.
Transkripsie en annotasie vereiste
Sommige kliënte benodig datatranskripsie en etikettering voordat hulle aflewer. Daarbenewens kan hulle ook spesifieke vorme van etikettering en segmentering vereis.
Soms is dit beter om te soek spraak-taalpatoloë en kundiges om te help met die transkripsie van spraak in verskeie tale om die egtheid van die doeltaal te handhaaf.
Lêernaamkonvensies
Die data-insamelingsvorms moet enige lêernaamkonvensie spesifiseer wat gevolg moet word. As die naamkonvensie kompleks is of buite die standaardomvang van die proses is, kan dit ekstra ontwikkelingskoste lok.
Afleweringsriglyne
Sekuriteit- en afleweringsriglyne moet gevolg word soos gespesifiseer in die projekvereistes. Verder, as die data in klein mylpale of as 'n volledige pakket op een slag gelewer moet word, moet gespesifiseer word. Kliënte verkies ook betyds vorderingsmonitering opdaterings sodat hulle tred kan hou met die projekstatus.
Ander belangrike punte om op te let
Die aanpassings sal 'n impak hê op hoe,
- Data-insamelingsmetodes gebruik
- Die werwing van deelnemers
- Die tydlyn vir aflewering
- Die voorlopige koste van die projek
Wanneer jy die regte verkoper kies, moet jy seker maak jy gaan saam met iemand wat beide die ervaring het om aanpassingskeuses en buigsaamheid te bied om die projek moeiteloos te skaal. Die aard van spraakdata-insameling is dat dit ontwikkel en die kompleksiteite verander met verloop van tyd, en die regte verskaffer behoort tred te kan hou.
Wanneer al wat jy nodig het buigsaamheid en skaalbaarheid is, is Shaip die regte keuse. Ons bied aanpasbare dienste gebaseer op jou spesifieke projekvereistes. Ons bied skaalbare en buigsame oplossings vir data-insameling vir meertalige projekte teen mededingende pryse. Praat met ons kundiges om te weet hoe ons spraakdata-insameling en pasmaaktegnieke werk in die ontwikkeling van gesprekke-KI.
[Lees ook: Spraakherkenningsopleidingsdata – Tipes, data-insameling en toepassings]
