Suara & percakapan
Transkripsi, penandaan waktu, diarisasi penutur, pelabelan maksud dan slot, serta penandaan emosi atau dialek pada audio berbahasa Jepang — dikerjakan mengikuti konvensi tertulis, bukan kebiasaan yang tak tertulis.
Dua transkriptor yang diberi audio bahasa Jepang yang sama tanpa konvensi akan berbeda pendapat kira-kira di setiap baris ketiga. Bukan tentang apa yang diucapkan, melainkan tentang cara menuliskannya.
Bahasa Jepang tidak memakai spasi, punya empat aksara, dan menyisakan jarak lebar antara bunyi sebuah kata dan cara lazim menuliskannya. Jadi begitu audio berubah menjadi teks, seseorang sudah mengambil puluhan pilihan: apakah 有難うございます ditulis dengan kanji atau kana, apakah 3人 ditulis 3人 atau 三人, apakah えーっと di awal kalimat dipertahankan atau dibuang, apakah pengulangan di tengah kata ditranskripsikan atau dirapikan.
Tidak satu pun pilihan itu salah bila berdiri sendiri. Yang salah adalah mengambilnya secara tidak konsisten di seluruh korpus, karena model ASR yang dilatih dengan target yang tidak konsisten belajar bahwa bunyi yang sama memetakan ke beberapa string, dan tingkat kesalahannya menyerap selisih itu. Tuas kualitas terbesar dalam data suara bahasa Jepang adalah konvensi normalisasi yang dituliskan dan benar-benar ditegakkan.
Karena itu kami memulai setiap proyek suara dengan menyepakati dokumen tersebut — dan jika Anda sudah punya, kami memakai punya Anda alih-alih memaksakan punya kami.
Sekilas
Jenis tugas
Transkripsi biasanya menjadi lapisan dasar; selebihnya ditambahkan di atas linimasa yang sama.
Verbatim atau clean-read, mengikuti konvensi tertulis yang mencakup filler, pengulangan awal, repetisi, salah ucap, dan bagian yang tak terdengar.
Penanda waktu pada tingkat segmen, ujaran, atau kata, serta forced alignment terhadap transkrip yang sudah ada bila tersedia.
Siapa yang sedang berbicara, termasuk pada ucapan yang tumpang tindih dan pergantian kanal — bagian yang paling sering gagal pada rekaman panggilan nyata.
Apa yang hendak dicapai sebuah ujaran dan nilai apa yang dibawanya, dilapiskan di atas transkrip untuk pekerjaan asisten suara dan analitik panggilan.
Emosi, sentimen, penekanan prosodis, gaya bertutur, dan ragam kedaerahan, dinilai berdasarkan kategori yang telah ditetapkan, bukan berdasarkan kesan.
Khas bahasa Jepang
Empat hal ini mencakup sebagian besar perbedaan pendapat antara dua transkriptor yang sama-sama kompeten.
ありがとう, 有難う, dan アリガトウ adalah kata yang sama. Jika diserahkan kepada masing-masing transkriptor, sebuah korpus akan memuat ketiganya, dan model memperlakukannya sebagai target yang berbeda.
Cara kami menanganinya Konvensi mendaftar aksara yang wajib dipakai untuk kata-kata umum, menetapkan aturan default untuk sisanya, dan pemeriksaan otomatis menandai varian sebelum pengiriman.
Kata penggolong bahasa Jepang berubah bacaannya mengikuti nomina yang dihitung — 一本, 一杯, 一人 — dan sebuah angka bisa ditulis 3, 三, atau 参. Jika ditulis tidak konsisten, akurasi numerik pada model yang dihasilkan menjadi tidak terukur.
Cara kami menanganinya Kebijakan angka mengunci penggunaan angka Arab versus kanji untuk tiap konteks, serta cara menuliskan kata penggolong dan satuan, lengkap dengan contoh terurai untuk tanggal, nominal uang, waktu, dan nomor telepon.
あの, えーっと, まあ, dan そのー bertebaran dalam bahasa Jepang spontan. Mempertahankannya membuat transkrip lebih berisik; membuangnya membuat data verbatim tidak terpakai untuk model yang perlu mengenali disfluensi.
Cara kami menanganinya Varian verbatim dan clean-read ditetapkan terpisah, dengan daftar filler dan ejaan yang tetap untuk masing-masing, sehingga pilihannya menjadi setelan proyek, bukan penilaian per berkas.
Bahasa Jepang di pusat panggilan padat dengan bentuk hormat dan merendah, dan beberapa di antaranya kerap salah dengar — いたします dan いただきます, よろしいでしょうか dan よろしかったでしょうか — oleh transkriptor yang bekerja cepat.
Cara kami menanganinya Peninjau diberi pengarahan tentang pola ragam hormat yang khas untuk jenis audio Anda, dan kesalahan ragam hormat menjadi kategori tersendiri dalam tahap tinjauan, bukan dilebur ke dalam akurasi umum.
Proses
Dokumen konvensi ditulis sebelum ada orang yang mentranskripsi satu berkas penuh, dan hanya direvisi melalui perubahan yang diberi versi.
Kami mendengarkan sampel yang representatif — termasuk audio Anda yang paling buruk, bukan hanya yang paling bersih — dan mengenali apa yang benar-benar akan sulit di dalamnya.
Aksara, angka, filler, peristiwa nonwicara, tumpang tindih, bagian tak terdengar, peran penutur, dan tingkat kerincian penanda waktu semuanya dikunci dalam satu dokumen yang Anda setujui.
Beberapa transkriptor mengerjakan berkas yang sama secara independen. Di titik mereka berbeda, di situlah konvensinya ambigu dan perlu dipertajam.
Setiap berkas didengarkan ulang oleh orang yang berbeda; satu sampel ditranskripsikan ulang secara buta untuk menghasilkan angka akurasi yang terukur.
Transkrip, penanda waktu, dan label dikirim bersama versi konvensinya, laporan QA, dan daftar berkas yang ditandai tidak dapat dipakai alih-alih ditebak isinya.
Pengiriman
Kami bekerja dengan audio Anda apa adanya. Jika codec atau laju cuplik membatasi apa yang bisa dicapai, kami menyampaikannya sebelum proyek dimulai, bukan sesudahnya.
| Lapisan | Keluaran default | Tersedia juga |
|---|---|---|
| Transkrip | JSON dengan penanda waktu per segmen | teks polos, SRT, VTT |
| Penanda waktu tingkat kata | JSON | CTM, TextGrid |
| Label penutur | RTTM atau giliran penutur dalam JSON | transkrip per kanal |
| Maksud dan slot | JSONL, satu ujaran per baris | CSV, format rentang CoNLL |
| Label paralinguistik | JSONL dengan rentang waktu | CSV, berkas anotasi ELAN |
Kualitas
Akurasi pada audio bahasa Jepang itu diukur, bukan diklaim — dan diukur pada berkas yang sulit, bukan yang mudah.
FAQ
Yang ditanyakan tim sebelum mengirimkan batch audio berbahasa Jepang pertama mereka.
Bisa, dan untuk audio yang bersih biasanya itu pilihan yang lebih hemat. Catatannya, mengoreksi transkrip mesin membuat manusia cenderung menerima apa yang sudah tertera di layar, sehingga untuk data pelatihan kami mentranskripsi dari nol atau menjalankan pemeriksaan buta pada sampel untuk mengukur seberapa banyak yang sebenarnya tertangkap oleh tahap koreksi itu.
Kami menyepakati lebih dahulu apakah dialek ditranskripsikan sebagaimana diucapkan atau dinormalisasi ke bahasa Jepang baku, karena keputusan itu mengubah datasetnya secara menyeluruh. Jika dialek termasuk dalam cakupan, kami menandai ragamnya, dan kami terus terang tentang ragam mana yang dapat kami tangani dengan andal dan mana yang tidak.
Kami bekerja dengan rekaman nyata, termasuk audio panggilan berpita telepon, derau latar, dan penutur yang saling tumpang tindih. Yang lebih penting daripada formatnya adalah Anda mengirimkan sampel yang representatif sejak awal — menentukan cakupan berdasarkan audio bersih lalu mengirimkan pekerjaan pada audio berisik adalah cara proyek suara menjadi kacau.
Bisa, di bawah NDA dan perjanjian pemrosesan data, di lingkungan terisolasi dengan akses berbasis peran, serta dengan ketentuan retensi dan penghapusan yang disepakati dalam kontrak. Jika rekaman memuat informasi pribadi, kami juga dapat menandainya untuk diredaksi, atau bekerja pada audio yang sudah Anda redaksi sebelum dikirim. Lihat halaman keamanan untuk gambaran lengkapnya.
Ya. Tumpang tindih adalah titik tempat diarisasi otomatis paling sering gagal, dan itu salah satu alasan utama menempatkan manusia di sana. Konvensi kami menetapkan cara ucapan yang tumpang tindih disegmentasi dan diatribusikan, sehingga penanganannya konsisten, bukan diputuskan berkas per berkas.
Suara & audio
Sampel yang representatif memberi tahu kami lebih banyak daripada sebuah spesifikasi. Kami akan kembali dengan draf konvensi, satu sampel yang telah ditranskripsikan, dan pandangan jujur tentang tingkat kesalahan yang wajar diharapkan.
NDA sebelum Anda membagikan data apa pun. Penentuan cakupan pilot tanpa biaya.