日本語の音声・音響データアノテーション

はい。音質が良い場合は、たいていそのほうが費用対効果に優れます。ただし注意点があります。機械の書き起こしを修正する作業は、画面にすでにある内容を受け入れる方向に人を引っ張ります。そのため学習データについては、ゼロから書き起こすか、サンプルにブラインドの検査を行い、修正工程が実際にどれだけ拾えているかを計測します。

方言を話されたとおりに書き起こすのか、標準的な日本語に正規化するのかを事前に合意します。この判断でデータセットの性格が丸ごと変わるからです。方言が対象に含まれる場合は変種をタグ付けし、どの変種なら確実に体制を組めて、どれが難しいかは率直にお伝えします。

電話帯域の通話音声、背景ノイズ、発話の重なりを含む、実際の録音を扱います。形式より大事なのは、代表的なサンプルを最初にお送りいただくことです。きれいな音声で範囲を決めて、ノイズの多い音声で納品する。これが音声プロジェクトの失敗の典型です。

はい。NDAとデータ処理契約のもと、ロールベースのアクセス制御を敷いた隔離環境で作業し、保持と削除の条件は契約で合意します。録音に個人情報が含まれる場合は、マスキング対象としてマークすることも、お客様側でマスキング済みの音声を扱うこともできます。全体像はセキュリティのページをご覧ください。

はい。発話の重なりは自動ダイアライゼーションが最も失敗しやすい箇所であり、人が入る主な理由の一つです。当社のルールでは、重なった発話をどう区切り、誰に帰属させるかを定義しているため、ファイルごとに判断がぶれることはありません。