语音识别中的数据采集.docx

语音识别中的数据采集 王东 清华大学 为什么要采集数据 ?模型训练需要数据 -数据为模型参数优化提供基础 ?模型选择需要数据 -数据为模型结构选择提供支持 ?模型验证需要数据 -数据为测试模型性能提供依据 ?我的第一份与语音相关的工作是标音 数据是如何用在系统中的 ?建立一个模型，数据用来对模型进行优化。 独立同分布测试数据分类结果 独立同分布 测试数据 分类结果 数据的分类 ?从用途上：训练数据、开发数据、测试数 据 ?从形式上：语音数据、文本数据 ?从任务上：语音识别数据、说话人识别数 据、说话人分离数据、语音合成数据 什么是好的数据 ?不同的用途、任务、形式决定了数据好坏 的标准很不相同 ?用途上：训练数据的精度要求要小于测试 数据 ?形式上：语音数据标注需要关注发音的准 确性，文本数据需要关注语言使用的正确 ?从任务上：语音识别数据所需要的精度要 远小于语音合成所需要的精度 语音数据库选择 ?代表性：语音数据库和实际应用环境中的数 据越匹配越好（广西电信听不清的声音标吗？） ?覆盖性：语音数据库需要覆盖尽可能多的“变 异”：釆样信道、口音、说话内容、男女、语 气、应U景… ?有效性：数据与效果符合边际效用法则，越多 的数据越好，但增加越不明显（光大银行的数 据标吗？） ?互补性：选择那些和现有数据库有足够差异的 数据。做pre-testing? 语音数据的标注原则 语音数据的标注原则 ?训世数据标注基本原则1: “希望识别岀什 么就标注什么” ?依此原则：截顶的是否标注？发音不全的 是否标注？带口音（打开chuangA3 hu）标注 成什么？发音重合的呢？ ?训练数据标注的基本原则2:量大于质 -只要是人标注过的数据，都是好的 - 100小时98%的数据不如200小时95%的数据 -少数错误的影响在大量数据条件下不具有影响 -快速积累具有代表性和广覆盖度的数据，对我们 提高性能和争取时间都具有重要意义 -我们不是数据公司 ?测试标注的基本原则: -测试数据必须严格按发音内容标注 测试数据的选择必须具有代表性（截顶的选吗？） 语音文本数据标注的基本原则 ?语音文本数据为我们提供如下信息： -不同于书面语的口语规则 -领域相关的口语表达 ?基本原则是：“正常合理的句子即对的” -如果一个人说话被一声噪音打乱了怎么标？ -如果两个人说话重合怎么标？ -如果一个人说话被打断了怎么标？ -要不要补齐？ 如何做好标音检查？ ?理解数据的使用目的和原理，努力学习评 估错误的严重程度，给以灵活对待。避免 教条化。 ?理解不同标注任务的不同要求，快速适应。