Erstellen von menschenmarkierten Transkriptionen
Humantranskriptionen sind wortwörtliche Transkriptionen einer Audiodatei. Sie verwenden Humantranskriptionen, um die Erkennungsgenauigkeit zu verbessern, insbesondere wenn Wörter gelöscht oder nicht ordnungsgemäß ersetzt werden. Dieser Leitfaden kann Ihnen dabei helfen, qualitativ hochwertige Transkriptionen zu erstellen.
Eine große Stichprobe von Transkriptionsdaten ist erforderlich, um die Erkennung zu verbessern. Wir empfehlen die Bereitstellung von Audiodaten für eine Dauer zwischen einer und 20 Stunden. Der Speech-Dienst verwendet bis zu 20 Stunden Audiodaten für das Training. Dieser Leitfaden enthält Abschnitte für US-Englisch, Mandarin-Chinesisch und deutsche Gebietsschemata.
Die Transkriptionen für alle WAV-Dateien sind in einer einzelnen Nur-Text-Datei (.txt oder .tsv) enthalten. Jede Zeile der Transkriptionsdatei enthält den Namen einer der Audiodateien, gefolgt von der entsprechenden Transkription. Der Dateiname und die Transkription werden jeweils durch ein Tabulatorzeichen (\t) getrennt.
Beispiel:
speech01.wav speech recognition is awesome
speech02.wav the quick brown fox jumped all over the place
speech03.wav the lazy dog was not amused
Der Text der Transkriptionen wird normalisiert, damit sie vom System verarbeitet werden können. Vor dem Hochladen des Datasets müssen jedoch einige wichtige Normalisierungen vorgenommen werden.
Menschenmarkierte Transkriptionen für andere Sprachen als Englisch oder Chinesisch (Mandarin) müssen UTF-8-codiert sein und eine Bytereihenfolge-Marke aufweisen. Weitere Transkriptionsanforderungen für Gebietsschemata finden Sie in den folgenden Abschnitten.
de-DE
Menschenmarkierte Transkriptionen für Audioaufnahmen in Englisch müssen als Nur-Text ausschließlich in ASCII-Zeichen bereitgestellt werden. Vermeiden Sie die Verwendung von Lateinisch-1- oder Unicode-Interpunktionszeichen. Diese Zeichen werden oft versehentlich beim Kopieren von Text aus einem Textverarbeitungsprogramm oder beim Erfassen von Daten aus Webseiten hinzugefügt. Wenn solche Zeichen vorhanden sind, stellen Sie sicher, dass sie durch die entsprechenden ASCII-Zeichen ersetzt werden.
Folgende Rollen stehen beispielsweise zur Verfügung:
| Nicht zu verwendende Zeichen | Substitution | Notizen |
|---|---|---|
| “Hello world” | "Hello world" | Die öffnenden und schließenden Anführungszeichen werden durch entsprechende ASCII-Zeichen ersetzt. |
| John’s day | John's day | Das Apostroph wird durch das entsprechende ASCII-Zeichen ersetzt. |
| It was good—no, it was great! | it was good--no, it was great! | Der Gedankenstrich wird durch zwei Bindestriche ersetzt. |
Textnormalisierung für Englisch (USA)
Textnormalisierung ist die Transformation von Wörtern in ein konsistentes Format, das beim Trainieren eines Modells verwendet wird. Einige Normalisierungsregeln werden automatisch auf Text angewendet, doch wird empfohlen, beim Vorbereiten der menschenmarkierten Transkriptionsdaten die folgenden Richtlinien zu beachten:
- Schreiben Sie Abkürzungen in Wörtern aus.
- Schreiben Sie nicht standardmäßige numerische Zeichenfolgen in Wörtern aus (z.B. Buchhaltungsbegriffe).
- Nicht alphabetische Zeichen oder gemischte alphanumerische Zeichen müssen entsprechend ihrer Aussprache transkribiert werden.
- Abkürzungen, die als Wörter ausgesprochen werden, dürfen nicht bearbeitet werden (z.B. „Radar“, „Laser“, „RAM“ oder „NATO“).
- Schreiben Sie Abkürzungen, die als einzelne Buchstaben ausgesprochen werden, mit jeweils einem Leerzeichen zwischen den einzelnen Buchstaben aus.
- Wenn Sie Audiodaten verwenden, transkribieren Sie Zahlen als Worte, die mit der Tonspur übereinstimmen, zum Beispiel kann „101“ auf Englisch als „one oh one“ oder „one hundred and one“ ausgesprochen werden.
- Vermeiden Sie es, mehr als dreimal Zeichen, Wörter oder Wortgruppen zu wiederholen, zum Beispiel „yeah yeah yeah yeah“. Der Sprachdienst kann Zeilen mit solchen Wiederholungen löschen.
Es folgen einige Beispiele für die Normalisierung, die Sie für die Transkription durchführen sollten:
| Ursprünglicher Text | Text nach der Normalisierung (Person) |
|---|---|
| Dr. Bruce Banner | Doctor Bruce Banner |
| James Bond, 007 | James Bond, double oh seven |
| Ke$ha | Kesha |
| How long is the 2x4 | How long is the two by four |
| The meeting goes from 1-3pm | The meeting goes from one to three pm |
| My blood type is O+ | My blood type is O positive |
| Water is H20 | Water is H 2 O |
| Play OU812 by Van Halen | Play O U 8 1 2 by Van Halen |
| UTF-8 with BOM | U T F 8 with BOM |
| It costs $3.14 | It costs three fourteen |
Die folgenden Normalisierungsregeln werden automatisch auf Transkriptionen angewendet:
- Verwenden von Kleinbuchstaben
- Entfernen aller Interpunktionszeichen außer Apostrophen in Wörtern
- Erweitern von Zahlen in Wörter/gesprochene Form, z.B. Dollarangaben
Es folgen einige Beispiele für die Normalisierung, die automatisch für die Transkription durchgeführt wird:
| Ursprünglicher Text | Text nach der Normalisierung (automatisch) |
|---|---|
| "Holy cow!" said Batman. | holy cow said batman |
| "What?" said Batman's sidekick, Robin. | what said batman's sidekick robin |
| Go get -em! | go get em |
| I'm double-jointed | I'm double jointed |
| 104 Elm Street | one oh four Elm street |
| Tune to 102.7 | tune to one oh two point seven |
| Pi is about 3.14 | pi is about three point one four |
de-DE
Menschenmarkierte Transkriptionen für Audioaufnahmen in Deutsch müssen UTF-8-codiert sein und eine Bytereihenfolge-Marke aufweisen.
Textnormalisierung für Deutsch
Textnormalisierung ist die Transformation von Wörtern in ein konsistentes Format, das beim Trainieren eines Modells verwendet wird. Einige Normalisierungsregeln werden automatisch auf Text angewendet, doch wird empfohlen, beim Vorbereiten der menschenmarkierten Transkriptionsdaten die folgenden Richtlinien zu beachten:
- Schreiben Sie Dezimaltrennzeichen als Komma (,) und nicht als Punkt (.).
- Schreiben Sie Zeittrennzeichen als Doppelpunkt (:) und nicht als Punkt (.) (Beispiel: 12:00 Uhr).
- Abkürzungen wie „ca.“ werden nicht ersetzt. Es empfiehlt sich, die vollständige gesprochene Form zu verwenden.
- Die vier wichtigsten mathematischen Operatoren (+, -, * und /) werden entfernt. Es wird empfohlen, sie durch die jeweilige Schriftform zu ersetzen: „plus“, „minus“, „mal“ und „geteilt“.
- Vergleichsoperatoren werden entfernt (=, < und >). Wir empfehlen, sie durch „gleich“, „kleiner als“ und „grösser als“ zu ersetzen.
- Schreiben Sie Brüche wie 3/4 in Schriftform (Beispiel: „drei viertel“ anstatt 3/4).
- Ersetzen Sie das Symbol „€“ durch die Schriftform „Euro“.
Es folgen einige Beispiele für die Normalisierung, die Sie für die Transkription durchführen sollten:
| Ursprünglicher Text | Text nach Normalisierung durch den Benutzer | Text nach Normalisierung durch das System |
|---|---|---|
| Es ist 12.23 Uhr | Es ist 12:23 Uhr | es ist zwölf uhr dreiundzwanzig |
| {12,45} | {12,45} | zwölf komma vier fünf |
| 2 + 3 - 4 | 2 plus 3 minus 4 | zwei plus drei minus vier |
Die folgenden Normalisierungsregeln werden automatisch auf Transkriptionen angewendet:
- Verwenden von Kleinbuchstaben für sämtlichen Text
- Entfernen aller Interpunktionszeichen, einschließlich verschiedener Typen von Anführungszeichen ("test", 'test', „test“ oder «test» können verwendet werden)
- Verwerfen aller Zeilen mit Sonderzeichen des folgenden Zeichensatzes: ¢ ¤ ¥ ¦ § © ª ¬ ® ° ± ² µ × ÿ ج¬
- Erweitern von Zahlen in die Schriftform, einschließlich Dollar-/Euroangaben
- Akzeptieren von Umlauten nur für a, o und u; Andere werden durch „th“ ersetzt oder verworfen.
Es folgen einige Beispiele für die Normalisierung, die automatisch für die Transkription durchgeführt wird:
| Ursprünglicher Text | Text nach der Normalisierung |
|---|---|
| Frankfurter Ring | frankfurter ring |
| ¡Eine Frage! | eine frage |
| Wir, haben | wir haben |
ja-JP
In „Japanisch“ (ja-JP) gibt es für jeden Satz eine maximale Länge von 90 Zeichen. Zeilen mit längeren Sätzen werden verworfen. Fügen Sie einen Punkt dazwischen ein, um einen längeren Text hinzuzufügen.
zh-CN
Menschenmarkierte Transkriptionen für Audioaufnahmen in Chinesisch (Mandarin) müssen UTF-8-codiert sein und eine Bytereihenfolge-Marke aufweisen. Vermeiden Sie die Verwendung von Interpunktionszeichen halber Breite. Diese Zeichen können unbeabsichtigt eingefügt werden, wenn die Daten in einem Textverarbeitungsprogramm vorbereitet oder aus Webseiten erfasst werden. Wenn solche Zeichen vorhanden sind, stellen Sie sicher, dass sie durch die entsprechenden Zeichen normaler Breite ersetzt werden.
Folgende Rollen stehen beispielsweise zur Verfügung:
| Nicht zu verwendende Zeichen | Substitution | Notizen |
|---|---|---|
| "你好" | "你好" | Die öffnenden und schließenden Anführungszeichen wurden durch entsprechende Zeichen ersetzt. |
| 需要什么帮助? | 需要什么帮助？ | Das Fragezeichen wird durch das entsprechende Zeichen ersetzt. |
Textnormalisierung für Chinesisch (Mandarin)
Textnormalisierung ist die Transformation von Wörtern in ein konsistentes Format, das beim Trainieren eines Modells verwendet wird. Einige Normalisierungsregeln werden automatisch auf Text angewendet, doch wird empfohlen, beim Vorbereiten der menschenmarkierten Transkriptionsdaten die folgenden Richtlinien zu beachten:
- Schreiben Sie Abkürzungen in Wörtern aus.
- Schreiben Sie numerische Zeichenfolgen wie in gesprochener Form aus.
Es folgen einige Beispiele für die Normalisierung, die Sie für die Transkription durchführen sollten:
| Ursprünglicher Text | Text nach der Normalisierung |
|---|---|
| 我今年 21 | 我今年二十一 |
| 3 号楼 504 | 三号 楼 五 零 四 |
Die folgenden Normalisierungsregeln werden automatisch auf Transkriptionen angewendet:
- Entfernen aller Interpunktionszeichen.
- Erweitern von Zahlen in die gesprochene Form.
- Konvertieren von Buchstaben normaler Breite in Buchstaben halber Breite
- Verwenden von Großbuchstaben für alle englischen Wörter.
Im Folgenden finden Sie einige Beispiele für die Normalisierung der automatischen Transkription:
| Ursprünglicher Text | Text nach der Normalisierung |
|---|---|
| 3.1415 | 三 点 一 四 一 五 |
| ￥ 3.5 | 三 元 五 角 |
| w f y z | W F Y Z |
| 1992 年 8 月 8 日 | 一 九 九 二 年 八 月 八 日 |
| 你吃饭了吗? | 你 吃饭 了 吗 |
| 下午 5:00 的航班 | 下午 五点 的 航班 |
| 我今年 21 岁 | 我 今年 二十 一 岁 |