Professzionális hangbetanítási adatkészlet hozzáadása

Ha készen áll egy egyéni szövegfelolvasási hang létrehozására az alkalmazáshoz, először gyűjtse össze a hangrögzítéseket és a hozzájuk tartozó szkripteket a hangmodell betanításához. A hangminták felvételével kapcsolatos részletekért tekintse meg az oktatóanyagot. A Speech szolgáltatás ezeket az adatokat felhasználva egy egyedi hangszínt hoz létre, amely a felvételek hangjának megfelelően van hangolva. A hang betanítása után megkezdheti a beszéd szintetizálását az alkalmazásokban.

Minden feltöltött adatnak meg kell felelnie a választott adattípus követelményeinek. Fontos, hogy a feltöltés előtt megfelelően formázza az adatokat, ami biztosítja, hogy a Speech szolgáltatás pontosan feldolgozza az adatokat. Az adatok helyes formázásának ellenőrzéséhez tekintse meg a Betanítás adattípusokat.

Megjegyzés

• A standard előfizetés (S0) felhasználói egyszerre öt adatfájlt tölthetnek fel. Ha eléri a korlátot, várjon, amíg legalább az egyik adatfájl importálása befejeződik. Ezután próbálkozzon újra.
• A standard előfizetési (S0) felhasználók által előfizetésenként importálható adatfájlok maximális száma 500 .zip fájl. További részletekért tekintse meg a Speech szolgáltatás kvótáit és korlátait.

Adatok feltöltése

Jótanács

A hozzájárulási nyilatkozat mintáját és a betanítási adatokat a GitHub-adattárban tekinti meg.

Betanítási adatok feltöltéséhez kövesse az alábbi lépéseket:

Öntöde (új)

Ezek a lépések a Modell testreszabása oldalon folytatódnak, amelyet a Professzionális hang beállítása oldalon nyitott meg.

Ha bezárta a lapot, folytassa a vázlat testreszabását a folytatás előtt.

A Foundryben (új) rendszerezze a betanítási adatokat adathalmazokban. A betanítás konfigurálásakor több adathalmazt is létrehozhat, adatokat tölthet fel mindegyikbe, és kiválaszthatja a megfelelő adathalmazokat.

1. A Betanítási adat lépésben válassza az Új adatkészlet létrehozása lehetőséget.

2. Az Új adathalmaz létrehozása panelen adjon meg egy adathalmaznevet, majd válassza a Létrehozás lehetőséget.

3. Válassza ki az új adathalmazt az Adathalmaz kiválasztása legördülő listában, majd válassza az Adatok hozzáadása lehetőséget.

4. Az Adat hozzáadása panelen válasszon egy adattípust. Ha a mintaadatokat használja, válassza az Egyéni kimondott szövegek + egyező átirat lehetőséget.

5. A feldolgozottként való feldolgozáshoz válasszon egy, az adattípus által támogatott módot:

   • Szegmentált: Ezt a módot használhatja egyéni kimondott szövegekhez és egyező átiratokhoz. Arra is használhatja, hogy a felvételeket megnyilatkozásokra bontsa a hosszú hanganyag + átirat vagy a csak hanganyag esetében.
   • Környezetfüggő: Hosszú hang + átirat és hang esetén csak támogatott nyelveken érhető el. Ez a mód megőrzi a környezetfüggő információkat és a természetes intonációt. A kontextuális adatok nem kombinálhatók szegmentált adatokkal.

   A támogatott kombinációk és nyelvi korlátozások betanítási adattípusait lásd.

6. Töltse fel az adatokat az alábbi módszerek egyikével:

   • Helyi fájlok: Válassza ki a felvételfájlt a számítógépről. Átirattal rendelkező adattípusok esetén válassza a Szkriptfájlt is.
   • Azure Blob: Adja meg a felvételi blob URL-címét. Átirattal rendelkező adattípusok esetén adja meg a Szkript blob URL-címét is.

   Csak hang esetén ne adjon meg szkriptet. A szolgáltatás a feldolgozás során létrehozza az átiratot.

7. Válassza a Feltöltésopciót. Az Adatok előnézete szakasz a feldolgozás befejezése után jeleníti meg az érvényesítési eredményeket.

Ha az adathalmaz nem áll készen a betanításra, tekintse át az adatok előnézetét , és oldja meg az adatproblémákat. A folytatás előtt ellenőrizze a kiválasztott betanítási módszer és verzió jogosultságát.

Meglévő adatkészlet megtekintése vagy törlése

Ha helytelen betanítási adatokat töltött fel, keresse meg az adathalmazt az Adatok lapon a Szolgáltatások területen. Ez a lap külön van a bal oldali navigációban található Data elemtől.

1. Nyissa meg az adathalmazt tartalmazó Foundry-projektet.
2. Válassza a Build>Services, majd az Adatok lapot.
3. Keresse meg a szövegfelolvasás és a Professional hangcímkéket tartalmazó adatkészletet. Válassza ki a nevét a részletek áttekintéséhez, beleértve az elfogadott adatokat és az elutasított adatokat.

Nem kívánt adathalmaz törlése:

1. Visszatérés a szolgáltatások>adataihoz.

2. Az adathalmaz sorában nyissa meg a Műveletek menüt (három pont), majd válassza a Törlés lehetőséget.

   

3. Az AI-szolgáltatás erőforrásának törlése párbeszédpanelen ellenőrizze, hogy a megjelenített név megegyezik-e az eltávolítani kívánt adatkészlettel.

4. A megerősítéshez válassza a Törlés lehetőséget, vagy az adathalmaz megtartásához a Mégse lehetőséget.

Important

A törlés nem vonható vissza. A törlés előtt győződjön meg arról, hogy kiválasztotta a nem kívánt adathalmazt.

Helyettesítő adatkészlet létrehozásához térjen vissza a betanítási adatokhoz a testreszabás során, és kövesse az Adatok feltöltése lehetőséget.

Öntöde (klasszikus)

A Foundryben (klasszikus) rendszerezheti a hangszövegeket és a leképezési szkripteket a betanítási csoportokban. A szolgáltatás ellenőrzi az egyes betanítási csoportok adatkészségét, és több adatfájlt is importálhat egy betanítási csoportba.

1. Jelentkezzen be a Microsoft Foundry (klasszikus) portálra.

2. A bal oldali panelen válassza a Finomhangolás lehetőséget, majd válassza az AI-szolgáltatás finomhangolását.

3. Válassza ki a professzionális hang finomhangolási feladatát (modellnév alapján), amelyet a Professzionális hang létrehozása című cikkben leírtak szerint kezdett el.

4. Válassza a Betanítási adatok előkészítése>Adatok feltöltése lehetőséget.

5. Az Adatok feltöltése varázslóban válasszon egy adattípust. Ha a mintaadatokat használja, válassza az Egyéni kimondott szövegek + egyező átirat lehetőséget.

   

6. Válassza a Tovább lehetőséget.

7. A Cél betanítási csoport megadása lapon válassza az Új létrehozása lehetőséget.

8. Adja meg a betanítási csoport nevét, majd válassza a Létrehozás lehetőséget.

   

9. Válassza a Tovább lehetőséget.

10. Az Adatok feltöltése lapon válassza ki a Megfelelő csempéken a Felvétel és a Szkript fájlt . Kiválaszthatja a helyi fájlokat a számítógépéről, vagy beírhatja az Azure Blob Storage URL-címét az adatok feltöltéséhez.

11. Válassza a Tovább lehetőséget.

12. Adja meg az adatok nevét és leírását, majd válassza a Tovább gombot.

13. Tekintse át a feltöltés részleteit, és válassza az Adatok feltöltése lehetőséget.

Megjegyzés

A duplikált azonosítók nem fogadhatók el. Az azonos azonosítójú kimondott szövegek törlődnek.

A rendszer eltávolítja az ismétlődő hangneveket a betanításból. Győződjön meg arról, hogy a kiválasztott adatok nem tartalmazzák ugyanazokat a hangneveket a .zip fájlban vagy több .zip fájlban. Ha a kimondott szövegek azonosítói (hang- vagy szkriptfájlokban) duplikáltak, a rendszer elutasítja őket.

A szolgáltatás automatikusan ellenőrzi a feltöltött adatokat. Az ellenőrzés ellenőrzi a hangfájlokra vonatkozó követelményeket, például a fájlformátumot, a méretet és a mintavételezési arányt. Hibák esetén javítsa ki őket, és töltse fel újra az adatokat.

A modell betanítása előtt tekintse át az érvényesítési eredményeket. Áttekintheti a kiejtési problémákat és az egyes kimondott szövegek zajszintét. A mondatszint kiejtési pontszáma 0 és 100 közötti lehet. A 70 alatti pontszám általában beszédhibát vagy szkripteltérést jelez. A 70-nél alacsonyabb összesített pontszámmal rendelkező kimondott szövegeket a rendszer elutasítja. Az erős akcentus csökkentheti a kiejtési pontszámot, és hatással lehet a generált digitális hangra.

Adatproblémák áttekintése

A hangmodell betanítása előtt tekintse át az érvényesítési eredményeket, és oldja meg az adatproblémák megoldását.

Jellemző adatproblémák

Az alábbi táblázatok a gyakori adatproblémákat ismertetik.

Automatikusan elutasítva

A betanítási folyamat kizárja az ilyen problémákkal kapcsolatos adatokat. Az importálási folyamat figyelmen kívül hagyja őket, ezért nem kell törölnie őket. Oldja meg a forrásfájlok hibáit, majd töltse fel a javított adatokat a betanításhoz.

Kategória	Név	Leírás
Szkript	Érvénytelen elválasztó	A kimondott szöveg azonosítóját és a szkript tartalmát tabulátor karakterrel kell elválasztani.
Szkript	Érvénytelen szkriptazonosító	A szkriptsor azonosítójának numerikusnak kell lennie.
Szkript	Duplikált szkript	A szkript tartalmának minden sorának egyedinek kell lennie. A sor duplikálva van a következővel: {}.
Szkript	Túl hosszú szkript	A szkriptnek 1000 karakternél rövidebbnek kell lennie.
Szkript	Nincs egyező hang	Az egyes kimondott szövegek (a szkriptfájl minden sora) azonosítójának meg kell egyeznie a hangazonosítóval.
Szkript	Nincs érvényes szkript	Ebben az adatkészletben nem található érvényes szkript. Javítsa ki a részletes problémalistában megjelenő szkriptsorokat.
Hang	Nincs egyező szkript	Nincs olyan hangfájl, amely megegyezik a szkript azonosítójával. A .wav fájlok nevének meg kell egyeznie a szkriptfájl azonosítóival.
Hang	Érvénytelen hangformátum	A .wav fájlok hangformátuma érvénytelen. Ellenőrizze a .wav fájlformátumot egy olyan hangeszközzel, mint a SoX.
Hang	Alacsony mintavételezési sebesség	A .wav fájlok mintavételezési sebessége nem lehet alacsonyabb 16 KHz-nél.
Hang	Túl hosszú hang	A hang időtartama 30 másodpercnél hosszabb. Ossza fel a hosszú hangot több fájlra. Érdemes 15 másodpercnél rövidebbre tenni a kimondott szövegeket.
Hang	Nincs érvényes hang	Ebben az adatkészletben nem található érvényes hang. Ellenőrizze a hangadatokat, és töltse fel újra.
Eltérés	Alacsony pontszámú kifejezés	A mondatszintű kiejtési pontszám kisebb, mint 70. Tekintse át a szkriptet és a hangtartalmat, hogy biztosan egyezzenek.

Automatikusan javítva

A rendszer automatikusan kijavítja a következő problémákat, de ellenőrizze és ellenőrizze, hogy a javítások helyesek-e.

Kategória	Név	Leírás
Eltérés	Automatikusan rögzített csend	A rendszer 100 ms-nál rövidebb indítási csendet észlel, és automatikusan 100 ms-ra bővíti. Töltse le a normalizált adathalmazt, és tekintse át.
Eltérés	Automatikusan rögzített csend	A rendszer azt észleli, hogy a végcsend 100 ms-nál rövidebb, és automatikusan 100 ms-ra van kiterjesztve. Töltse le a normalizált adathalmazt, és tekintse át.
Szkript	Automatikusan normalizált szöveg	A szöveg automatikusan normalizálódik a számjegyek, szimbólumok és rövidítések esetében. Tekintse át a szkriptet és a hangot, és győződjön meg arról, hogy egyeznek.

Manuális ellenőrzés szükséges

A következő táblázatban felsorolt megoldatlan problémák hatással vannak a betanítás minőségére, de a betanítási folyamat nem zárja ki az ezekkel a problémákkal kapcsolatos adatokat. A jobb minőségű betanításhoz manuálisan oldja meg ezeket a problémákat.

Kategória	Név	Leírás
Szkript	Nem normalizált szöveg	Ez a szkript szimbólumokat tartalmaz. Normalizálja a szimbólumokat a hangnak megfelelően. Például normalizálja /perjelet.
Szkript	Nincs elég kérdésfelvetés	A teljes kimondott szöveg legalább 10 százalékának kérdőjelnek kell lennie. Ez segít a hangmodellnek megfelelően kifejezni a kérdő hangszínt.
Szkript	Nincs elég felkiáltójeles kimondott szöveg	A teljes kimondott szöveg legalább 10%-ának felkiáltójeles mondatnak kell lennie. Ez segít a hangmodellnek megfelelően kifejezni az izgatott hangot.
Szkript	Nincs érvényes záró írásjel	A sor végén adja hozzá az alábbi lehetőségek egyikét: pont (fél szélességű "." vagy teljes szélességű "。"), felkiáltójel (fél szélességű '!' vagy teljes szélességű '！'), vagy kérdőjel (fél szélességű '?' vagy teljes szélességű '？').
Hang	Alacsony mintavételezési arány a neurális hanghoz	Neurális hangok létrehozásához ajánlott a .wav fájlok mintavételezési sebessége 24 KHz-es vagy magasabb. Ha alacsonyabb, a rendszer automatikusan 24 KHz-re emeli.
Térfogat	Az összes hangerő túl alacsony	A hangerő nem lehet alacsonyabb, mint -18 dB (a maximális hangerő 10 százaléka). A mintarögzítés vagy adatelőkészítés során szabályozza a hangerő átlagos szintjét a megfelelő tartományon belül.
Térfogat	Hanglemez túlcsordulás	A rendszer túlcsorduló kötetet észlel az s időpontban {}. Állítsa be a felvevő berendezést, hogy elkerülje a hangerő túllépését a csúcsértéken.
Térfogat	Elnémítási probléma indítása	Az első 100 ms csend nem tiszta. Csökkentse a rögzítési zajküszöbszintet, és hagyja az első 100 ms-ot a kezdésnél teljesen csendesnek.
Térfogat	A csend megszüntetésére való probléma	Az utolsó 100 ms csend nem tiszta. Csökkentse a rögzítési zajszintet, és hagyja csendben az utolsó 100 ms-t.
Eltérés	Alacsony pontszámú szavak	Tekintse át a szkriptet és a hangtartalmat, hogy biztosan egyezzenek, és szabályozza a zajszintet. Csökkentse a hosszabb szüneteket, vagy ha túl hosszú az anyag, ossza fel a hangot több részre.
Eltérés	Elnémítási probléma indítása	Az első szó előtt további hang hallható. Tekintse át a szkriptet és a hangtartalmat, hogy biztosan egyezzenek, szabályozhassa a zajszintet, és hogy az első 100 ms csendben legyen.
Eltérés	A csend megszüntetésére való probléma	Az utolsó szó után további hang hallható. Tekintse át a szkriptet és a hangtartalmat, hogy biztosan egyezzenek, szabályozhassa a zajszintet, és az utolsó 100 ms csendben legyen.
Eltérés	Alacsony jel-zaj arány	A hang SNR szintje alacsonyabb, mint 20 dB. Legalább 35 dB ajánlott.
Eltérés	Nincs elérhető pontszám	Nem sikerült felismerni a beszéd tartalmát ebben a hanganyagban. Ellenőrizze a hang és a szkript tartalmát, hogy a hang érvényes-e, és megegyezik-e a szkripttel.

Következő lépés

A professzionális hang betanítása

Ha készen áll arra, hogy egyéni szöveget hozzon létre a beszédhanghoz az alkalmazás számára, az első lépés a hangfelvételek és a hozzájuk tartozó szkriptek összegyűjtése a hangmodell betanításának megkezdéséhez. A hangminták felvételével kapcsolatos részletekért tekintse meg az oktatóanyagot. A Speech szolgáltatás ezeket az adatokat felhasználva egy egyedi hangszínt hoz létre, amely a felvételek hangjának megfelelően van hangolva. A hang betanítása után megkezdheti a beszéd szintetizálását az alkalmazásokban.

Minden feltöltött adatnak meg kell felelnie a választott adattípus követelményeinek. Fontos, hogy a feltöltés előtt megfelelően formázza az adatokat, ami biztosítja, hogy a Speech szolgáltatás pontosan feldolgozza az adatokat. Az adatok helyes formázásának ellenőrzéséhez tekintse meg a Betanítás adattípusokat.

Megjegyzés

• A standard előfizetés (S0) felhasználói egyszerre öt adatfájlt tölthetnek fel. Ha eléri a korlátot, várjon, amíg legalább az egyik adatfájl importálása befejeződik. Ezután próbálkozzon újra.
• Az előfizetésenként importálható adatfájlok maximális száma 500 .zip fájl a standard előfizetési (S0) felhasználók számára. További részletekért tekintse meg a Speech szolgáltatás kvótáit és korlátait .

Adatok feltöltése

Ha készen áll az adatok feltöltésére, lépjen a Betanítási adatok előkészítése lapra az első betanítási csoport hozzáadásához és az adatok feltöltéséhez. A tanulókészlet hangos megnyilatkozások és a hozzájuk tartozó leképezési szkriptek összessége, amelyet hangmodell tanítására használnak. Egy tanulókészlet használatával rendszerezheti a tanulóadatállományt. A szolgáltatás minden betanítási csoportban ellenőrzi az adatok készültségét. Több adatot is importálhat egy betanítási halmazba.

Betanítási adatok feltöltéséhez kövesse az alábbi lépéseket:

1. Jelentkezzen be a Speech Studio-ba.
2. Válassza az Egyéni hang> a projekt neve >Készítse elő a tananyagokat>Adatfeltöltés lehetőséget.
3. Az Adatok feltöltése varázslóban válasszon egy adattípust, majd válassza a Tovább gombot.
4. Válassza ki a helyi fájlokat a számítógépről, vagy adja meg az Azure Blob Storage URL-címét az adatok feltöltéséhez.
5. Ha a környezetfüggő támogatási projektekben a Hosszú hang + átirat vagy csak a Hang adattípusokat választotta, megjelenik egy lehetőség a feldolgozási mód kiválasztására:
   • Környezetfüggő feldolgozás: Feldolgozza a hanganyagokat, miközben megőrzi a kontextuális információkat a jobb társalgási képesség és természetesebb beszédminták érdekében.
   • Szegmentált: A hang- és átiratokat szabványos szegmentálással dolgozza fel egyéni kimondott szövegekké.
6. A Cél betanítási csoport megadása csoportban válasszon ki egy meglévő betanítási csoportot, vagy hozzon létre egy újat. Ha létrehozott egy új betanítási csoportot, a folytatás előtt győződjön meg arról, hogy ki van jelölve a legördülő listában.
7. Válassza a Tovább lehetőséget.
8. Adja meg az adatok nevét és leírását, majd válassza a Tovább gombot.
9. Tekintse át a feltöltés részleteit, és válassza a Küldés lehetőséget.

Megjegyzés

A duplikált azonosítók nem fogadhatók el. Az azonos azonosítójú kimondott szövegek el lesznek távolítva.

A rendszer eltávolítja az ismétlődő hangneveket a betanításból. Győződjön meg arról, hogy a kiválasztott adatok nem tartalmazzák ugyanazokat a hangneveket a .zip fájlban vagy több .zip fájlban. Ha a kimondott szövegek azonosítói (hang- vagy szkriptfájlokban) duplikáltak, a rendszer elutasítja őket.

A betanítási csoportok csak ugyanabban a módban feldolgozott adatokat tartalmazhatnak. Ha például a Környezetfüggő feldolgozás móddal tölt fel adatokat egy betanítási csoportba, akkor az ugyanahhoz a betanítási csoporthoz tartozó összes későbbi feltöltésnek szintén a Környezetfüggő feldolgozás módot kell használnia.

Az adatfájlok automatikusan érvényesítve lesznek a Küldés lehetőség kiválasztásakor. Az adatérvényesítés több ellenőrzést is tartalmaz a hangfájlokon a fájlformátum, a méret és a mintavételezési sebesség ellenőrzéséhez. Ha bármilyen hiba merül fel, javítsa ki őket, és küldje el újra.

Az adatok feltöltése után a betanítási csoport részletes nézetében ellenőrizheti a részleteket. A részletes lapon további információt kaphat a kiejtési problémáról és az egyes adatok zajszintjéről. A mondatszint kiejtési pontszáma 0 és 100 közötti lehet. A 70 alatti pontszám általában beszédhibát vagy szkripteltérést jelez. A 70-nél alacsonyabb összesített pontszámú kimondott szövegeket a rendszer elutasítja. Az erős akcentus csökkentheti a kiejtési pontszámot, és hatással lehet a generált digitális hangra.

Online adatproblémák megoldása

A feltöltés után ellenőrizheti a betanítási csoport adatadatait. Mielőtt folytatná a hangmodell betanítását, próbálja meg megoldani az adatproblémákat.

A Speech Studióban kimondott szövegenként azonosíthatja és megoldhatja az adatproblémákat.

Szegmentáltként feldolgozva

1. A részletek lapon lépjen az Elfogadott adatok vagy az Elutasított adatok lapra. Jelölje ki a módosítani kívánt egyes kimondott szövegeket, majd válassza a Szerkesztés lehetőséget.

   

   A feltételek alapján kiválaszthatja, hogy mely adatproblémák jelenjenek meg.

   

2. Ekkor megjelenik a Szerkesztés ablak.

   

3. Frissítse az átiratot vagy a felvételfájlt a szerkesztési ablakban található problémaleírásnak megfelelően.

   Szerkesztheti az átiratot a szövegmezőben, majd válassza a Kész lehetőséget

   

   Ha frissítenie kell a felvételfájlt, válassza a Felvétel frissítése lehetőséget, majd töltse fel a rögzített felvételfájlt (.wav).

   

4. Miután módosította az adatokat, ellenőriznie kell az adatminőséget az Adatok elemzése gombra kattintva, mielőtt betanításra használták volna ezt az adatkészletet.

   Az elemzés befejezése előtt nem választhatja ki ezt a betanítási csoportot a betanítási modellhez.

   

   A problémákat tartalmazó kimondott szövegek törléséhez jelölje ki őket, és kattintson a Törlés gombra.

Környezetfüggőként feldolgozva

A szegmentáltként feldolgozotttól eltérően a Környezetfüggőként feldolgozott fájl megőrzi az eredeti hangfájlokat, és létrehozza a megfelelő környezeti információkat.

1. A részletek lapon kattintson az egyes kimondott szövegekre a "Problémák száma" szöveggel.

   

   A környezeti információk szegmensekként jelennek meg. Jelölje ki a módosítani kívánt szegmenst, majd kattintson a Szerkesztés gombra.

   

   A feltételek alapján kiválaszthatja, hogy mely adatproblémák jelenjenek meg.

   

2. Szerkessze a szövegdobozban lévő átiratot a probléma leírása szerint, majd válassza a Kész lehetőséget.

   

3. Miután módosította az adatokat, ellenőriznie kell az adatminőséget az Adatok elemzése gombra kattintva, mielőtt betanításra használták volna ezt az adatkészletet.

   Az elemzés befejezése előtt nem választhatja ki ezt a betanítási csoportot a betanítási modellhez.

   

Megjegyzés

A környezeti információk egy részének törlése nem zárja ki azt a tartalmat a képzésből. Csak akkor törölje a szegmenseket, ha az adataik már szerepelnek vagy szerepelni fognak a szomszédos szegmensekben.

Az elutasított szegmensek nem használhatók betanításhoz.

Jellemző adatproblémák

A problémák három típusra vannak osztva. A hibatípusok ellenőrzéséhez tekintse meg az alábbi táblázatokat.

Automatikusan elutasítva

Az ilyen hibákat tartalmazó adatok nem lesznek használatban a betanításhoz. A rendszer figyelmen kívül hagyja a hibákat tartalmazó importált adatokat, ezért nem kell törölnie őket. Ezeket az adathibákat online kijavíthatja, vagy újra feltöltheti a javított adatokat a betanításhoz.

Kategória	Név	Leírás
Szkript	Érvénytelen elválasztó	A kimondott szöveg azonosítóját és a szkript tartalmát tabulátor karakterrel kell elválasztani.
Szkript	Érvénytelen szkriptazonosító	A szkriptsor azonosítójának numerikusnak kell lennie.
Szkript	Duplikált szkript	A szkript tartalmának minden sorának egyedinek kell lennie. A sor duplikálva van a következővel: {}.
Szkript	Túl hosszú szkript	A szkriptnek 1000 karakternél rövidebbnek kell lennie.
Szkript	Nincs egyező hang	Az egyes kimondott szövegek (a szkriptfájl minden sora) azonosítójának meg kell egyeznie a hangazonosítóval.
Szkript	Nincs érvényes szkript	Ebben az adatkészletben nem található érvényes szkript. Javítsa ki a részletes problémalistában megjelenő szkriptsorokat.
Hang	Nincs egyező szkript	Nincs olyan hangfájl, amely megegyezik a szkript azonosítójával. A .wav fájlok nevének meg kell egyeznie a szkriptfájl azonosítóival.
Hang	Érvénytelen hangformátum	A .wav fájlok hangformátuma érvénytelen. Ellenőrizze a .wav fájlformátumot egy olyan hangeszközzel, mint a SoX.
Hang	Alacsony mintavételezési sebesség	A .wav fájlok mintavételezési sebessége nem lehet alacsonyabb 16 KHz-nél.
Hang	Túl hosszú hang	A hang időtartama 30 másodpercnél hosszabb. Ossza fel a hosszú hangot több fájlra. Érdemes 15 másodpercnél rövidebbre tenni a kimondott szövegeket.
Hang	Nincs érvényes hang	Ebben az adatkészletben nem található érvényes hang. Ellenőrizze a hangadatokat, és töltse fel újra.
Eltérés	Alacsony pontszámú kifejezés	A mondatszintű kiejtési pontszám kisebb, mint 70. Tekintse át a szkriptet és a hangtartalmat, hogy biztosan egyezzenek.

Automatikusan javítva

A következő hibák automatikusan ki lettek javítva, de érdemes áttekinteni és ellenőrizni a javítások helyességét.

Kategória	Név	Leírás
Eltérés	Automatikusan rögzített csend	A rendszer 100 ms-nál rövidebb indítási csendet észlel, és automatikusan 100 ms-ra bővítette. Töltse le a normalizált adathalmazt, és tekintse át.
Eltérés	Automatikusan rögzített csend	A rendszer azt észleli, hogy a végcsend 100 ms-nál rövidebb, és automatikusan 100 ms-ra lett kiterjesztve. Töltse le a normalizált adathalmazt, és tekintse át.
Szkript	Automatikusan normalizált szöveg	A szöveg automatikusan normalizálódik a számjegyek, szimbólumok és rövidítések esetében. Tekintse át a szkriptet és a hangot, és győződjön meg arról, hogy egyeznek.

Manuális ellenőrzés szükséges

A következő táblázatban felsorolt megoldatlan hibák befolyásolják a betanítás minőségét, de az ilyen hibákat tartalmazó adatok nem lesznek kizárva a betanítás során. A jobb minőségű betanításhoz érdemes manuálisan kijavítani ezeket a hibákat.

Kategória	Név	Leírás
Szkript	Nem normalizált szöveg	Ez a szkript szimbólumokat tartalmaz. Normalizálja a szimbólumokat a hangnak megfelelően. Például normalizálja /perjelet.
Szkript	Nincs elég kérdésfelvetés	A teljes kimondott szöveg legalább 10 százalékának kérdőjelnek kell lennie. Ez segít a hangmodellnek megfelelően kifejezni a kérdő hangszínt.
Szkript	Nincs elég felkiáltójeles kimondott szöveg	A teljes kimondott szöveg legalább 10%-ának felkiáltójeles mondatnak kell lennie. Ez segít a hangmodellnek megfelelően kifejezni az izgatott hangot.
Szkript	Nincs érvényes záró írásjel	A sor végén adja hozzá az alábbi lehetőségek egyikét: pont (félszélességű "." vagy teljes szélességű "。"), felkiáltójel (félszélességű '!' vagy teljes szélességű '！'), vagy kérdőjel (félszélességű '?' vagy teljes szélességű '？').
Hang	Alacsony mintavételezési arány a neurális hanghoz	Neurális hangok létrehozásához ajánlott, hogy a .wav fájlok mintavételezési sebessége legalább 24 KHz legyen. Ha alacsonyabb, a rendszer automatikusan 24 KHz-re emeli.
Térfogat	Az összes hangerő túl alacsony	A hangerő nem lehet alacsonyabb, mint -18 dB (a maximális hangerő 10 százaléka). A mintarögzítés vagy adatelőkészítés során szabályozza a hangerő átlagos szintjét a megfelelő tartományon belül.
Térfogat	Hanglemez túlcsordulás	A rendszer túlcsorduló kötetet észlel az s időpontban {}. Állítsa be a felvevő berendezést, hogy elkerülje a hangerő túllépését a csúcsértéken.
Térfogat	Elnémítási probléma indítása	Az első 100 ms csend nem tiszta. Csökkentse a rögzítési zajküszöbszintet, és hagyja az első 100 ms-ot a kezdésnél teljesen csendesnek.
Térfogat	Csenddel kapcsolatos probléma megoldása	Az utolsó 100 ms csend nem tiszta. Csökkentse a rögzítési zajszintet, és hagyja csendben az utolsó 100 ms-t.
Eltérés	Alacsony pontszámú szavak	Tekintse át a szkriptet és a hangtartalmat, hogy biztosan egyezzenek, és szabályozza a zajszintet. Csökkentse a hosszabb szüneteket, vagy ha túl hosszú az anyag, ossza fel a hangot több részre.
Eltérés	Elnémítási probléma indítása	Az első szó előtt további hang hallható. Tekintse át a szkriptet és a hangtartalmat, hogy biztosan egyezzenek, szabályozhassa a zajszintet, és hogy az első 100 ms csendben legyen.
Eltérés	Csenddel kapcsolatos probléma megoldása	Az utolsó szó után további hang hallható. Tekintse át a szkriptet és a hangtartalmat, hogy biztosan egyezzenek, szabályozhassa a zajszintet, és az utolsó 100 ms csendben legyen.
Eltérés	Alacsony jel-zaj arány	A hang SNR szintje alacsonyabb, mint 20 dB. Legalább 35 dB ajánlott.
Eltérés	Nincs elérhető pontszám	Nem sikerült felismerni a beszéd tartalmát ebben a hanganyagban. Ellenőrizze a hang és a szkript tartalmát, hogy a hang érvényes-e, és megegyezik-e a szkripttel.

Következő lépések

A professzionális hang betanítása

A professzionális hang létrehozásához betanítási adatkészletre van szüksége. A betanítási adatkészlet hang- és szkriptfájlokat is tartalmaz. A hangfájlok a szkriptfájlokat olvasó hangtehetség felvételei. A szkriptfájlok a hangfájlok szövegei.

Ebben a cikkben létrehoz egy tanulókészletet, és lekéri annak erőforrás-azonosítóját. Ezután az erőforrás-azonosító használatával hang- és szkriptfájlokat tölthet fel.

Betanítási csoport létrehozása

Betanítási csoport létrehozásához használja a testreszabott hang API TrainingSets_Create műveletét. A kérelem törzsének összeállítása az alábbi utasítások szerint:

• Állítsa be a szükséges projectId tulajdonságot. Lásd: projekt létrehozása.
• Állítsa be a szükséges voiceKind tulajdonságot Male vagy Female. A típus később nem módosítható.
• Állítsa be a szükséges locale tulajdonságot. Ennek kell lennie a betanítási csoport adatainak területi beállításának. A betanítási csoport területi beállításának meg kell egyeznie a hozzájárulási nyilatkozat területi beállításával. A területi beállítás később nem módosítható. A szövegfelolvasási nyelvterület listáját itt találja.
• Igény szerint állítsa be a description betanítási csoport leírásának tulajdonságát. A betanítási csoport leírása később módosítható.

Hozzon létre egy HTTP PUT-kérést az URI használatával az alábbi TrainingSets_Create példában látható módon.

• Cserélje le a YourResourceKey-t a beszéd erőforráskulcsával.
• Cserélje le a(z) YourResourceName elemet a Speech-erőforrás nevére.
• Cserélje le JessicaTrainingSetId a kívánt betanítási csoportazonosítóra. A kis- és nagybetűkre érzékeny azonosító a tanítókészlet URI-jában lesz használva, és később nem módosítható.

curl -v -X PUT -H "Ocp-Apim-Subscription-Key: YourResourceKey" -H "Content-Type: application/json" -d '{
  "description": "300 sentences Jessica data in general style.",
  "projectId": "ProjectId",
  "locale": "en-US",
  "voiceKind": "Female"
} '  "https://YourResourceName.cognitiveservices.azure.com/customvoice/trainingsets/JessicaTrainingSetId?api-version=2026-01-01"

A válasz törzsének a következő formátumban kell érkeznie:

{
  "id": "JessicaTrainingSetId",
  "description": "300 sentences Jessica data in general style.",
  "projectId": "ProjectId",
  "locale": "en-US",
  "voiceKind": "Female",
  "status": "Succeeded",
  "createdDateTime": "2023-04-01T05:30:00.000Z",
  "lastActionDateTime": "2023-04-02T10:15:30.000Z"
}

Betanítási adathalmaz adatainak feltöltése

Hang- és szkriptek betanítási készletének feltöltéséhez használja az egyéni hang API TrainingSets_UploadData műveletét.

Az API meghívása előtt tárolja a rögzítési és szkriptfájlokat az Azure Blobban. Az alábbi példában a rögzítési fájlok https://contoso.blob.core.windows.net/voicecontainer/jessica300/*.wav, a szkriptfájlok pedig https://contoso.blob.core.windows.net/voicecontainer/jessica300/*.txt.

A kérelem törzsének összeállítása az alábbi utasítások szerint:

• Állítsa be a szükséges kind tulajdonságot a következőre AudioAndScript: , LongAudiovagy AudioOnly. A típus határozza meg a betanítási csoport típusát.
• Igény szerint állítsa be a processAs tulajdonságot a feldolgozási módszer megadására. A támogatott értékek ( Segmented alapértelmezett) és Contextual. Contextual egy továbbfejlesztett mód, amely megtartja a hang egészét, hogy megőrizze a kontextuális információkat a természetesebb intonáció biztosítása érdekében. A Contextual mód csak akkor érhető el, ha kind be van állítva LongAudio vagy AudioOnly. Ha nincs megadva, a rendszer az alapértelmezett Segmented módot használja. További információ: betanítási adattípusok.
• Állítsa be a szükséges audios tulajdonságot. A tulajdonságon audios belül állítsa be a következő tulajdonságokat:
  • Állítsa be a szükséges containerUrl tulajdonságot a hangfájlokat tartalmazó Azure Blob Storage-tároló URL-címére. Használjon közös hozzáférésű jogosultságkódokat (SAS) olvasási és listaengedélyekkel rendelkező tárolókhoz .
  • Állítsa be a szükséges extensions tulajdonságot a hangfájlok bővítményére.
  • Ha szeretné, állítsa be a prefix tulajdonságot a blobnév előtagjának beállítására.
• Állítsa be a szükséges scripts tulajdonságot. A tulajdonságon scripts belül állítsa be a következő tulajdonságokat:
  • Állítsa be a szükséges containerUrl tulajdonságot a szkriptfájlokat tartalmazó Azure Blob Storage-tároló URL-címére. Használjon közös hozzáférésű jogosultságkódokat (SAS) olvasási és listaengedélyekkel rendelkező tárolókhoz .
  • Állítsa be a szükséges extensions tulajdonságot a szkriptfájlok bővítményére.
  • Ha szeretné, állítsa be a prefix tulajdonságot a blobnév előtagjának beállítására.

Hozzon létre egy HTTP POST-kérést az URI használatával az alábbi TrainingSets_UploadData példában látható módon.

• Cserélje le a YourResourceKey-t a beszéd erőforráskulcsával.
• Cserélje le a(z) YourResourceName elemet a Speech-erőforrás nevére.
• Cserélje le JessicaTrainingSetId , ha az előző lépésben egy másik betanítási csoportazonosítót adott meg.

curl -v -X POST -H "Ocp-Apim-Subscription-Key: YourResourceKey" -H "Content-Type: application/json" -d '{
  "kind": "AudioAndScript",
  "audios": {
    "containerUrl": "https://contoso.blob.core.windows.net/voicecontainer?mySasToken",
    "prefix": "jessica300/",
    "extensions": [
      ".wav"
    ]
  },
  "scripts": {
    "containerUrl": "https://contoso.blob.core.windows.net/voicecontainer?mySasToken",
    "prefix": "jessica300/",
    "extensions": [
      ".txt"
    ]
  }
} '  "https://YourResourceName.cognitiveservices.azure.com/customvoice/trainingsets/JessicaTrainingSetId:upload?api-version=2026-01-01"

Az alábbi példa hosszú hangadatokat tölt fel környezetfüggő feldolgozással:

curl -v -X POST -H "Ocp-Apim-Subscription-Key: YourResourceKey" -H "Content-Type: application/json" -d '{
  "kind": "LongAudio",
  "processAs": "Contextual",
  "audios": {
    "containerUrl": "https://contoso.blob.core.windows.net/voicecontainer?mySasToken",
    "prefix": "jessica-long/",
    "extensions": [
      ".wav"
    ]
  },
  "scripts": {
    "containerUrl": "https://contoso.blob.core.windows.net/voicecontainer?mySasToken",
    "prefix": "jessica-long/",
    "extensions": [
      ".txt"
    ]
  }
} '  "https://YourResourceName.cognitiveservices.azure.com/customvoice/trainingsets/JessicaTrainingSetId:upload?api-version=2026-01-01"

A válaszfejléc tartalmazza a tulajdonságot Operation-Location . Ezzel az URI-val részletes információkat kaphat a TrainingSets_UploadData műveletről. Íme egy példa a válaszfejlécre:

Operation-Location: https://YourResourceName.cognitiveservices.azure.com/customvoice/operations/aaaabbbb-0000-cccc-1111-dddd2222eeee?api-version=2026-01-01
Operation-Id: aaaabbbb-0000-cccc-1111-dddd2222eeee

Következő lépések

A professzionális hang betanítása