2000人中英混读语音采集标注项目_采集实施规范.docx10000小时中英混读语音采集标注项目前言本文档为“中英混读项目”实施规范，对语料制作、录音规范、标注规范做了详细说明，请根据具体要求内容进行实施。本项目共需要2000名录音人，每人录制450句。数据量1000小时；2000人句数每人450句，每句4s左右性别男女比例1:1年龄18~25岁70%，26~40岁20%，>40岁10%；可上下浮动5%语言普通话为主，每句夹杂数个（大部分在3个或以下）英文单词地域分布覆盖七大方言区，详见下方3.1.4地域分布具体要求录音环境相对安静的环境，无回声录音工具APP采集语料大约需要30万句，每句语料可重复3遍，详见下方具体要求正确率句正确率97%交付内容采集并标注                录音要求3.1 录音人要求要求说普通话，英文发音准确。符合条件的录音人录制语音数据，录音人需通过大学英语四级考试。3.1.1发音标准：发音清楚，避免说话不清、语速过快和有方言等现象。例如：“我是北京人”发音为“e4（四声）shi4 bei3 jing1 ren2”这里“我”的发音是属于方言式发音。3.1.2性别比例：男女比例为1:1。男女比例可以在1:1的基础上浮动5%（控制在45%到55%范围内）。3.1.3年龄比例：年龄段比例范围18~25岁65%~75%26~40岁15%~25%>40岁5%~15%3.1.4地域分布：在录音人寻找的时候应控制在比例内。方言区范围参考城市举例比例北方官话东北、西北、华北、山东、安徽人等省份北方标准普通话，没有口音哈尔滨、绥化、齐齐哈尔、长春、沈阳、吉林通辽、北京、呼和浩特、赤峰、保定、石家庄、潍坊、天津、青岛、大连、兰州、银川、乌鲁木齐、南阳、郑州、洛阳、临沂、阜阳、亳州、徐州、运城、西安、西宁等30%西南官话中国西南的四川、重庆、贵州、云南等几乎全部的汉语地区以及陕西南部、甘肃南部、广西北部和湖南西北部、南部重庆、成都、南充、绵阳、武汉、荆州、襄阳、孝感、遵义、贵阳、昆明、桂林、凉山、常德等20%吴语江浙沪等省份上海、温州、杭州、台州、宁波、金华、苏州等10%粤语广东广西香港澳门等省份广州、深圳、东莞、佛山、南宁、玉林、香港、澳门等10%闽语福建、海南、台湾、广东等省份泉州、福州、厦门、海口、三亚、万宁、台北、高雄、台中等10%湘语湖南省长沙、衡阳、邵阳、岳阳等10%赣语江西、安徽、湖北等省份上饶西部、宜春、南昌、吉安等10%   ※控制在比例范围内浮动。注意事项：1）口齿清楚，态度认真，避免说话结巴、大舌头、嗓音嘶哑等病理性发音的人。2）参加录音的人必须事先了解录音要求（录音方法、录音环境、朗读要求、合格指标）。3）每人只能录制一份该项目录音。如出现一人录制多份数据的现象将取消相应报酬。4）录制人员对录音人的录音号段做好分配，避免号段重复使用。3.3录音环境相对安静的录音环境，不能有其他人说话的声音及其他噪音，无回音。（避免在空旷的场地采集。例如：教室、礼堂、厕所、酒店大厅等）周边噪音关联事项：1）录音人外其他人的声音不采用。如有第二说话人的声音算无效。2）其他噪音不采用。例如：摔东西的声音、喝水声、笑声、翻书的声音、音乐声、咳嗽声、车声等。3.5录音人录音1）普通话为主，每句夹杂数个（大部分在1-2个）英文单词，录制完450句。2）自然的复述方式，自然流利清晰，禁止压低嗓子录音；禁止用耳语方式录音；禁止夸张语气，笑着说话。3）录音人严禁刻意变声、模仿等说话方式。4）说话人语速适中，吐字清楚不能每个字一停顿的说，尽量避免结巴。5）手机离说话人嘴边距离在20-25厘米为宜。避免喷麦、和耳机采集的情况。6）禁止在没有朗读完毕前抢停，如读错字、咳嗽、偶然噪音等现象应暂停录制，做准备后重新录制。7）录音时，尽量以提供的原始句子为准。如果遇到不通顺或错字等影响正常朗读的句子，朗读时可稍作修改。8）禁止一人多号，录制多个任务。450句必须由同一录音人完成。9）朗读应为普通话方式，口音应为当地人自然发音习惯，不要讲方言。3.6录音合格指标数据采集完毕，项目负责人员要认真判断数据质量是否达到合格要求，并提醒录音人及时修改，如不满足以下指标均按照不合格处理。相关指标项具体说明中文普通话夹杂英文如方言口音较重或发音不清晰数据算无效450句不够450句算无效每一句都朗读完整抢停、或开始录制后不发音、句子录制不完整的情况算无效环境安静过大噪音、有第二说话人、回音等算无效。因不同设备硬件问题，降噪处理的方式不统一。如果噪音过大也算无效，但是有电流声等出现，如果不影响正常声音可算合格，相反有明显的算为无效处理。录音人信息真实有效录制前填写的录音人信息完整、真实，相反无效。例如：信息填写男、25，实际是男、35或女、25等。一人录制450句<p style=";text-align:c

一、标注环境1. 请使用谷歌浏览器进行标注。2.标注平台地址：http://label.xiaojukeji.com/labelerTaskList二、标注内容1. 语音有效性标注无效语音请在有效性一项选择“无效”，并在标注文本一项标注大写字母“NULL”。有效语音请在有效性一项选择“有效”。当语音出现下列任意一种情况，即可标注为无效语音：1） 说话人声音极小，小到几乎听不到。2） 整段语音均为静音。3） 整段语音均为噪声、音乐声、导航音、广播等。4） 整段语音只有一个字，或是同一个字重复出现。如：“嗯”、“对”、“对对对对”、“啊”、“喂”、“拜拜”、“谢谢”、“好好好”、“OKOK”等。（注意：“哇噻”属于特例，单独出现时也是无效的。）5） 背景噪声大于说话人声音，或噪声与说话人声音几乎一样大。6） 整句都是方言、外语。方言是指发音与普通话区别较大的地方话，如：粤语、上海话等。7） 语音中出现地点、地名、街道名等方位词，但是地图中搜索不到。8） 语音中有大于等于两个人说话，除主说话人以外，其余人的声音清晰可辨。9） 语音中有大于等于3个字听不清楚。 2. 语音文本标注1） 语音文本内容将说话内容写成文字。要求转写的文本内容必须和听到的语音完全一致，不能多字、少字。a) 除空格、占位符号、以外，标注文本不允许使用标点符号，不允许换行。b) 说话人犹豫、口吃导致出现重复的字也要标注出来，重复了几次就标记几个。如发音为：我是北北京人；“北”字有重复现象。转写文本应为：我是北北京人c) 儿化音不需要标注出“儿”字。如发音为：我在/zher4/。转写文本应为：我在这d) 语音中提及地名、街道名、车牌号等内容，转写时需符合日常习惯。选用“路”、“街道”、“门”、“座”、“桥”等地名常用字以及“京”、“津”、“冀”等车牌号常用字。e) 语音中提及地名、街道名、店铺名、专有名词，需要准确转写。可根据读音在地图中查找，确实存在该地点则进行准确标注，搜不到则无效；f) 语音中确实听不清楚的个别单字，用占位符号【~】标记。一组【~】符号代表一个字。在整段语音中，最多只能有两组【~】符号。若有三个字或更多听不清楚，则标注为无效。（见“语音有效性标注”第8条）g) 语音中不涉及地名、专名的部分，若发音清晰但文字不确定，可以用同音字标注，要求标注用字的声韵调与实际发音完全一致。如发音为：我姓/zhang1/。标注成“我姓张”或“我姓章”都算正确。h) 数字要写成汉字形式，注意区分“一”和“幺”、“二”和“两”，按实际读音写。i) 英文字母要转写成大写字母。j) 音频中说话人清楚说出的语气词，如“呃、啊、嗯、哦、唉、呐、呢”等，要按照正确发音进行转写。语气词除了“了、不”没有口字旁，其他基本上都有口字旁。注意：语气词“唉”、“诶”不分的，统一用“唉”。 3.语言情况标注1）语音中全部内容均为中文，请选择“中文”。2）只要语音中含有英文，不论是单个字母还是单词、不论出现的数量有多少，都需要选择“英文”并且字母全部大写。1、遇到英文单词和英文字母都需要用英文大写形式表现。例如：SORRY SORRY我现在在阜成路麻烦你掉个头2、单词与单词之间加空格 。例如：我把我的APPLE SEVEN PLUS落在了车上麻烦师傅还给我一下3、字母与字母之间加空格。例如：我下了好几回这个A P P了但是怎么安装都是失败的请问客服我该怎么办4、英文单词或者英文字母与汉字之间不需要空格。例如：我的车牌号的京A三六七八5、特殊字：对于OK这一类常用词，默认为一个单词，尽管是拼读成字母发音的。对于无从适配上述规则的及时与我们沟通 4. 说话人性别标注按说话人的音色实际情况进行标注。若无法明确区分男女，不论是成人还是儿童，都标注为“女”。三、标注常见问题总结1. 短句如何判断有效性？答：短句只要有大于或等于两个不重复的音节，即为有效。例如“嗯好的”、“明白”、“可以”等。 2. 有明显口音，但能听懂，需要标注吗？答：口音但不影响理解的，音频中个别几个字的方言可以使用同音字标注。听不清音节的方言也无法使用同音字标注的，可以使用【~】，大于或等于三个字需使用【~】符号的情况下。参照“语音有效性标注”第8条规则，标记为无效。 3. 标注时有的口音能听懂，是按听的音来标注还是按普通话来标注，标注需要符合现实逻辑吗？答：一般情况下口音按实际发音来标注。以下情况请特别处理：常用词语和专有名词需按现实逻辑标注（如：发音是“现/xian4/生”标为“先生”,“滴滴专/ce1/”标为“滴滴专车”等等） 5. 音频中一串数字如【12531】转写为一二五三一还是吆二五三吆？答：转写的文本要和语音实际读法完全一致。若读为yi1，则写一；读为yao1，则写幺。同理，“二”、“两”、“俩”；“三”、“仨”也需要区别使用。 6. 一段很短的音频中语速过快，有时候听起来像三个字又像两个，是不是都能判断合格？答：短音频且内容无法听清的情况下，标记为无效。长音频中很小的一部分，无法确定内容时，参照“语音文本内容”下f项、【~】符号使用规则进行。 7. 一段音频中语速过快，能听清某些音节但大多部分不能做出准确判断写不出是否可以判断无效?答：判断为无效 8. 一段音频中出现导航仪发出的声音或者只有导航仪的声音算噪音吗？答：整段只有导航音，标记为无效。只有一部分出现导航音的时候，看声音大小，如果与说话人音量接近或者大于说话人声音，标记为无效。 注意：如果一句话里面只说了几个字方言，其他都是带口音的普通话，不要直接标无效，那全方言的字按听到的音来标，比如：说的是上海话gege，就标成“葛个”，而不是标成“那个”。语气词无法转写的可以找同音字或相近音字转写；全方言无效 关于地点、地名、街道名等方位词，这些词我们需要使用地图搜索引擎搜索如果地点、地名、街道名等词语很长且词发音很清晰，但使用地图搜索引擎搜索不到这个地点。即使这句话其他部分可以完整的转写出来，但依旧视为无效。二、关于英文转写原规范为：英文字母要转写成大写字母。        细化：1、遇到英文单词和英文字母都需要用英文大写形式表现。例如：SORRY SORRY我现在在阜成路麻烦你掉个头2、单词与单词之间加空格 。例如：我把我的APPLE SEVEN PLUS落在了车上麻烦师傅还给我一下3、字母与字母之间加空格。例如：我下了好几回这个A P P了但是怎么安装都是失败的请问客服我该怎么办4、英文单词或者英文字母与汉字之间不需要空格。例如：我的车牌号的京A三六七八5、特殊字：对于 OK 这一类常用词，默认为一个单词，尽管是拼读成字母发音的。对于无从适配上述规则的，我们及时向海瑞提出。三、噪音符号这部分，这部分依旧不用添加。 四、关于标普、方普、方言如何转写    1、标普：就是普通话，我们是一定要转写的。    2、方普：就是方言普通话，例如广州人说普通话，上海人说普通话，天津人说普通话等等，这些是需要转写的。只是他们在说普通话的时候会有一些口音。例如发音说：我现在湖南（fu2声 lan2声）长沙市中心你来接我一下     他说的是“fu lan”我们正常书写成“湖南”即可。    3、方言：直接视为无效即可，例如：粤语、上海话、江苏话等等。