转写
逐字或整理稿两种，依据一份成文约定，涵盖语气词、重新起头、重复、发音错误与听不清的片段。
- 保留不流畅现象的逐字稿
- 便于阅读的整理稿
- 听不清与重叠部分的标记
- 非语音事件标签
语音与对话
日语语音与音频数据标注
对日语音频做转写、时间戳标注、说话人分离、意图与槽位标注，以及情绪或方言标签——依据的是一份成文的约定，而不是没写下来的习惯。
把同一段日语音频交给两位转写员，如果没有约定，他们大概每三行就会有一行不一致。分歧不在于说了什么，而在于该怎么写下来。
转写稿是一组决策，而不是一份录音
日语没有词间空格，有四套书写系统，而且一个词怎么读和它按惯例怎么写之间差距很大。所以音频变成文字的那一刻，就已经有人做了几十个选择：有難うございます 是写成汉字还是假名，3人 该写作 3人 还是 三人，句首那个 えーっと 是保留还是删掉，说到一半重新起头是照实转写还是修正掉。
孤立地看，这些选择没有哪一个是错的。真正错的是在整个语料里做得前后不一致，因为用不一致的目标训练出的 ASR 模型会认为同一个音对应好几个字符串，而它的错误率就把这段差异吸收了进去。日语语音数据里最大的一根质量杠杆，就是一份写下来并且真的被执行的规范化约定。
所以每个语音项目我们都从敲定这份文档开始——如果您已经有了，我们采用您的，而不是把我们的强加过去。
要点速览
- 任务类型
- 逐字转写与整理稿转写、时间戳标注、说话人分离、意图与槽位标注、情绪与韵律、方言标签。
- 可处理音频
- 呼叫中心录音、会议、访谈、广播、车载与设备语音、自然对话。
- 约定
- 书写方式、语气词、数字、笑声与听不清片段，全部在转写开始前定义好。
- 常用输出
- 带词级或片段级时间戳的 JSON；也支持 SRT、VTT、CTM 与 TextGrid。
- 复核
- 每个文件都过第二遍听审，另在抽样上做盲评重新转写。
任务类型
我们标注什么
转写通常是基础层；其余各层都叠加在同一条时间轴上。
时间与对齐
片段级、话轮级或词级的时间戳；已有转写稿时，可对其做强制对齐。
- 话轮边界
- 词级时间戳
- 强制对齐质检
- 静音与重叠区间
说话人标注
在语音重叠与声道切换中判断是谁在说话——这也是真实通话录音里最常出问题的一环。
- 说话人分离与说话人 ID
- 角色标签（坐席 / 客户）
- 重叠处理
- 说话人属性标注
意图与槽位标注
这句话想做什么、其中带有哪些取值，叠加在转写稿之上，供语音助手与通话分析类工作使用。
- 意图分类
- 槽位与实体区间
- 对话行为标签
- 通话结果与处理状态
副语言标注
情绪、情感倾向、韵律重音、说话风格与地域变体，依据既定类别打分，而不是凭印象。
- 情绪与情感倾向
- 说话风格与礼貌程度
- 地域变体与口音
- 音频质量与环境标签
日语特有问题
一份日语约定必须做出的决策
这四项，涵盖了两位称职转写员之间的大部分分歧。
同一个词的书写选择
表記ゆれありがとう、有難う 与 アリガトウ 是同一个词。任由每位转写员自行决定，一份语料里三种都会出现，而模型会把它们当成不同的目标。
我们的处理方式 约定会列出常用词必须采用的写法，并为其余情况设定默认规则，交付前由自动检查标出不符的变体。
数字与量词
数詞・助数詞日语的量词会随所计名词改变读法——一本、一杯、一人——而一个数字可以写成 3、三 或 参。写得不一致，模型在数字上的准确率就无从度量。
我们的处理方式 一份数字规则按语境定死用阿拉伯数字还是汉字数字，以及量词与单位如何转写，并为日期、金额、时间与电话号码给出实例。
语气词与不流畅现象
フィラーあの、えーっと、まあ 与 そのー 在自然日语中随处可见。保留它们会让转写稿更嘈杂；删掉它们又会让逐字数据无法用于需要感知不流畅现象的模型。
我们的处理方式 逐字稿与整理稿两种版本分别定义，各自有固定的语气词清单与写法，因此这是一项项目级设置，而不是逐个文件临场判断。
礼貌与敬语形式
敬語呼叫中心的日语里敬语与谦让语密集出现，其中好几组在转写员赶进度时常常听错——いたします 与 いただきます、よろしいでしょうか 与 よろしかったでしょうか。
我们的处理方式 复核员会针对您这类音频中特有的敬语用法接受说明，敬语错误在复核环节是一个具名类别，而不会被并进笼统的准确率里。
流程
一个语音项目是怎么跑的
约定文档在任何人转写完第一个完整文件之前就已写好，之后只能通过带版本的变更来修订。
-
01
取样与界定范围
我们会听一份有代表性的样本——包括您最差的那些音频，而不只是最干净的——并找出其中真正难的地方。
-
02
撰写约定
书写方式、数字、语气词、非语音事件、重叠、听不清片段、说话人角色与时间戳颗粒度，全部在一份经您确认的文档中定死。
-
03
用试点做校准
多位转写员各自独立处理同一批文件。凡是出现分歧的地方，说明约定有歧义，就把它写得更明确。
-
04
转写与复核
每个文件都由另一个人做第二遍听审；另取一份样本做盲评重新转写，据此得出实测的准确率数值。
-
05
交付与报告
转写稿、时间戳与标签随附约定版本号、质检报告，以及一份被标为无法使用、而不是靠猜填上的文件清单。
交付
输入与输出格式
我们直接使用您现有状态的音频。如果编解码格式或采样率限制了能做到的程度，我们会在项目开始前就说明，而不是事后才讲。
| 层次 | 默认输出 | 也可提供 |
|---|---|---|
| 转写稿 | 带片段时间戳的 JSON | 纯文本、SRT、VTT |
| 词级时间戳 | JSON | CTM、TextGrid |
| 说话人标签 | RTTM 或 JSON 说话人话轮 | 按声道拆分的转写稿 |
| 意图与槽位 | JSONL，每行一句话 | CSV、CoNLL 区间格式 |
| 副语言标签 | 带时间区间的 JSONL | CSV、ELAN 标注文件 |
质量
针对这类工作的专门控制手段
日语音频上的准确率是测出来的，不是说出来的——而且是在难处理的文件上测，不是在容易的那些上测。
- 由第二位转写员对样本做盲评重新转写，得出每批次的实测错误率。
- 交付前自动校验约定的执行情况：书写变体、数字格式与语气词写法。
- 时间戳对照音频本身校验，而不只是与相邻片段比对。
- 确实无法转写的文件会被标记并如实退回，绝不用一个看起来合理的猜测填上。
- 说话人标签在整个文件范围内检查，以便发现中途身份互换的情况。
- 质检样本中刻意纳入难处理的音频，让报告出来的数值反映整个语料，而不是其中最好的一部分。
常见问题
关于语音与音频
团队在寄出第一批日语音频之前会问的问题。
可以，而且对干净音频来说，这通常更划算。但要提醒一点：修正机器转写稿会让人倾向于接受屏幕上已有的内容，所以对训练数据，我们要么从零转写，要么在抽样上做一次盲评检查，测出修正这一遍到底抓出了多少问题。
我们会事先约定：方言是照说的样子转写，还是规范化成标准日语，因为这个决定会彻底改变数据集的性质。如果方言在范围内，我们会标注其变体；至于哪些变体我们能稳定安排到人、哪些不能，我们会如实相告。
我们处理的是真实录音，包括电话带宽的通话音频、背景噪声与说话人重叠。比格式更要紧的是：请您一开始就发来有代表性的样本——按干净音频界定范围、再拿嘈杂音频来交付，正是语音项目出问题的典型方式。
可以，在保密协议与数据处理协议之下，在带基于角色访问控制的隔离环境中进行，留存与删除条款写入合同。如果录音中含有个人信息，我们也可以把它标出来供脱敏，或者处理您在发送前已脱敏的音频。完整情况请见安全页面。
可以。重叠正是自动说话人分离最常失效的地方，也是把人放进这一环的主要理由之一。我们的约定规定了重叠语音如何切分与归属，因此处理方式是一致的，而不是逐个文件临时决定。