今天淘丁数据标注分享在做语音项目的时候通用的一些标注规范。

标注规范

1.进行有效语音判定
在执行语音数据标注时，语音有效性判定是必不可少的环节，为保证最终可用语音数据的高质量，不合格的无效语音段必须加以说明和丢弃。

判定一段语音为无效语音的情况有：

（1）该段语音是用规定之外的语言朗读的，如规定是用印度英语朗读，而实际却是用中式英语朗读的；
（2）整段语音段没有说话人的语音，只含有噪声或者静音（可视为无声音）；
（3）语音段中含有很强的背景噪声，以至于覆盖掉说话人的声音；
（4）说话人的声音极小而导致无法听清语音内容；
（5）说话人语速过快而导致发音不清楚或吞音；
（6）说话人发音时一字一顿，每个停顿时间超过1秒；
（7）说话人发音时语气夸张，故意“怪里怪气”地朗读；
（8）语音段存在切音、吞音、丢帧、喷麦、重音等异常；
（9）语音段存在影响语音清晰度的空旷音、混响等异常。

2.确定语音的噪声情况
常见噪声包括但不限于主体人物以外其他人的说话声、咳嗽声。如果能听到明显的噪声，则选择“含噪声”，听不到，则选“安静”

3.确定说话人数量
谈话人数量，即标注出语音内容是由几个人说出的。像我们项目部同事昨天审核的是一个游戏项目，有时候就有两三个人的说话声音。

4.确定说话人的性别
简单易懂，就是听语音标注出说话人是男声、女声还是儿童音，还别说有时候真的会分不清楚的。

5.是否包含口音
在语音标注过程中，如果有多个人说话，这时候就要标记处第一个说话的人是否有口音，“否”则代表无口音，“是”则代表有口音。

对于语音合成，说话人识别等语音研究而言，说话人信息也是非常重要的特征，因此有些语音数据还需要对说话人的信息加以标识，因此说话人的性别、年龄、口音也是重点的标注规范。

6.语音内容转写
也就是我们说的转写内容，这是语音标注的重中之重。语音内容转写的基本原则为“所听即所写”即转写文本必须与说话人发音内容完全一致。注意：语音内容转写具有主观性，对于语音段中模棱两可的片段，不同标注人员可能标注的结果不同。

文字转写结果需要用汉字表示，常用词语要保证汉字正确；转写内容需要与实际发音内容完全一致，不允许出现修改与删减的问题；转写时对于语音中正常的停顿，可以标注常规的标点符号；遇到数字，根据数字具体的读法标注为汉字形式，不能出现阿拉伯数字形式的标注；对于儿化音，根据音频中说话人的实际发音情况进行标注。

语音标注与人工智能有着密切的关系，因此与语音标注相关的问题都值得我们重视和学习。一般来说，语音标注与我们生活的众多方面都是息息相关的。比如，我们在使用微信时，语音可以转换成文字，在使用百度地图App上的小麦克风功能，或者京东客服里的直接说出问题，JIMI对应解决等功能。这些都需要前期大量的人工去标记这些“说出的话”所对应的“文字”，采用人工的方式一点点修正语音和文字之间的误差，这就是语音标注。

淘丁内容安全业务自2018年4月开始，服务于互联网平台线上产品安全审核工作，对各类违法、色情、涉政等不良违禁信息实行7*24小时即时审核，对有害信息进行人工甄别，确保产品绝对安全。

淘丁数据标注团队现有人员规模近500人，业务分部在西安、宝鸡、渭南、临汾、太原等地。淘丁与国内大型企业深入合作，日常处理项目量级均为百万级以上，部分数据量级超过千万，拥有稳定充足的业务来源。各类标注项目经验丰富，可为人员提供标准化、体系化的培训。

淘丁集团专注于互联网内容安全和数据标注业务领域，拥有千人专业团队，经验丰富，准确率高，服务类别多，团队体系成熟，能快速响应大量业务需求。

欢迎互联网公司、人工智能机构对接洽谈合作，咨询热线：029-85799062。