ਬੋਲੀ ਪਛਾਣ ਲਈ ਸਿਖਲਾਈ ਡੇਟਾ: B2B AI ਟੀਮਾਂ ਲਈ ਇੱਕ ਵਿਹਾਰਕ ਗਾਈਡ

ਜੇਕਰ ਤੁਸੀਂ ਵੌਇਸ ਇੰਟਰਫੇਸ, ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ, ਜਾਂ ਮਲਟੀਮੋਡਲ ਏਜੰਟ ਬਣਾ ਰਹੇ ਹੋ, ਤਾਂ ਤੁਹਾਡੇ ਮਾਡਲ ਦੀ ਸੀਮਾ ਤੁਹਾਡੇ ਡੇਟਾ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਸਪੀਚ ਰਿਕੋਗਨੀਸ਼ਨ (ASR) ਵਿੱਚ, ਇਸਦਾ ਮਤਲਬ ਹੈ ਵਿਭਿੰਨ, ਚੰਗੀ ਤਰ੍ਹਾਂ ਲੇਬਲ ਕੀਤੇ ਆਡੀਓ ਨੂੰ ਇਕੱਠਾ ਕਰਨਾ ਜੋ ਅਸਲ-ਸੰਸਾਰ ਦੇ ਉਪਭੋਗਤਾਵਾਂ, ਡਿਵਾਈਸਾਂ ਅਤੇ ਵਾਤਾਵਰਣ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ - ਅਤੇ ਇਸਦਾ ਅਨੁਸ਼ਾਸਨ ਨਾਲ ਮੁਲਾਂਕਣ ਕਰਨਾ।

ਇਹ ਗਾਈਡ ਤੁਹਾਨੂੰ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਭਾਸ਼ਣ ਸਿਖਲਾਈ ਡੇਟਾ ਦੀ ਯੋਜਨਾ ਕਿਵੇਂ ਬਣਾਈ ਜਾਵੇ, ਇਕੱਠਾ ਕੀਤਾ ਜਾਵੇ, ਕਿਊਰੇਟ ਕੀਤਾ ਜਾਵੇ ਅਤੇ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਵੇ ਤਾਂ ਜੋ ਤੁਸੀਂ ਭਰੋਸੇਯੋਗ ਉਤਪਾਦਾਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਭੇਜ ਸਕੋ।

"ਬੋਲੀ ਪਛਾਣ ਡੇਟਾ" ਕੀ ਗਿਣਿਆ ਜਾਂਦਾ ਹੈ?

ਘੱਟੋ-ਘੱਟ: ਆਡੀਓ + ਟੈਕਸਟ। ਵਿਵਹਾਰਕ ਤੌਰ 'ਤੇ, ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲੇ ਸਿਸਟਮਾਂ ਨੂੰ ਅਮੀਰ ਮੈਟਾਡੇਟਾ (ਸਪੀਕਰ ਡੈਮੋਗ੍ਰਾਫਿਕਸ, ਲੋਕੇਲ, ਡਿਵਾਈਸ, ਧੁਨੀ ਸਥਿਤੀਆਂ), ਐਨੋਟੇਸ਼ਨ ਆਰਟੀਫੈਕਟਸ (ਟਾਈਮਸਟੈਂਪਸ, ਡਾਇਰਾਈਜ਼ੇਸ਼ਨ, ਹਾਸੇ ਵਰਗੀਆਂ ਗੈਰ-ਸ਼ਾਬਦਿਕ ਘਟਨਾਵਾਂ), ਅਤੇ ਮਜ਼ਬੂਤ ​​ਕਵਰੇਜ ਦੇ ਨਾਲ ਮੁਲਾਂਕਣ ਵੰਡ ਦੀ ਵੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਪ੍ਰੋ ਟਿਪ : ਜਦੋਂ ਤੁਸੀਂ "ਡੇਟਾਸੈੱਟ" ਕਹਿੰਦੇ ਹੋ, ਤਾਂ ਟਾਸਕ (ਡਿਕਸ਼ਨ ਬਨਾਮ ਕਮਾਂਡਾਂ ਬਨਾਮ ਗੱਲਬਾਤ ASR), ਡੋਮੇਨ (ਸਹਾਇਤਾ ਕਾਲਾਂ, ਸਿਹਤ ਸੰਭਾਲ ਨੋਟਸ, ਕਾਰ ਵਿੱਚ ਕਮਾਂਡਾਂ), ਅਤੇ ਸੀਮਾਵਾਂ (ਲੇਟੈਂਸੀ, ਔਨ-ਡਿਵਾਈਸ ਬਨਾਮ ਕਲਾਉਡ) ਨਿਰਧਾਰਤ ਕਰੋ। ਇਹ ਸੈਂਪਲਿੰਗ ਰੇਟ ਤੋਂ ਲੈ ਕੇ ਐਨੋਟੇਸ਼ਨ ਸਕੀਮਾ ਤੱਕ ਸਭ ਕੁਝ ਬਦਲਦਾ ਹੈ।

ਸਪੀਚ ਡੇਟਾ ਸਪੈਕਟ੍ਰਮ (ਉਹ ਚੁਣੋ ਜੋ ਤੁਹਾਡੇ ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ)

1. ਸਕ੍ਰਿਪਟਡ ਸਪੀਚ (ਉੱਚ ਨਿਯੰਤਰਣ)

ਬੁਲਾਰੇ ਪ੍ਰੋਂਪਟਾਂ ਨੂੰ ਸ਼ਬਦ-ਜੋੜ ਨਾਲ ਪੜ੍ਹਦੇ ਹਨ। ਕਮਾਂਡ ਅਤੇ ਕੰਟਰੋਲ, ਵੇਕ ਵਰਡਜ਼, ਜਾਂ ਫੋਨੇਟਿਕ ਕਵਰੇਜ ਲਈ ਵਧੀਆ। ਸਕੇਲ ਕਰਨ ਲਈ ਤੇਜ਼; ਘੱਟ ਕੁਦਰਤੀ ਭਿੰਨਤਾ।

2. ਦ੍ਰਿਸ਼-ਅਧਾਰਤ ਭਾਸ਼ਣ (ਅਰਧ-ਨਿਯੰਤਰਿਤ)

ਬੁਲਾਰੇ ਇੱਕ ਦ੍ਰਿਸ਼ ਦੇ ਅੰਦਰ ਪ੍ਰੋਂਪਟਾਂ 'ਤੇ ਕੰਮ ਕਰਦੇ ਹਨ ("ਗਲਾਕੋਮਾ ਅਪਾਇੰਟਮੈਂਟ ਲਈ ਕਲੀਨਿਕ ਨੂੰ ਪੁੱਛੋ")। ਕੰਮ 'ਤੇ ਰਹਿੰਦੇ ਹੋਏ ਤੁਹਾਨੂੰ ਵੱਖ-ਵੱਖ ਵਾਕਾਂਸ਼ ਮਿਲਦੇ ਹਨ - ਡੋਮੇਨ ਭਾਸ਼ਾ ਕਵਰੇਜ ਲਈ ਆਦਰਸ਼।

3. ਕੁਦਰਤੀ/ਅਣਲਿਖਤ ਬੋਲੀ (ਘੱਟ ਕੰਟਰੋਲ)

ਅਸਲ ਗੱਲਬਾਤ ਜਾਂ ਮੁਫ਼ਤ ਮੋਨੋਲੋਗ। ਮਲਟੀ-ਸਪੀਕਰ, ਲੰਬੇ-ਫਾਰਮ, ਜਾਂ ਸ਼ੋਰ-ਸ਼ਰਾਬੇ ਵਾਲੇ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਲਈ ਜ਼ਰੂਰੀ। ਸਾਫ਼ ਕਰਨਾ ਔਖਾ ਹੈ, ਪਰ ਮਜ਼ਬੂਤੀ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਮੂਲ ਲੇਖ ਨੇ ਇਸ ਸਪੈਕਟ੍ਰਮ ਨੂੰ ਪੇਸ਼ ਕੀਤਾ ਸੀ; ਇੱਥੇ ਅਸੀਂ ਜ਼ਿਆਦਾ ਜਾਂ ਘੱਟ ਫਿਟਿੰਗ ਤੋਂ ਬਚਣ ਲਈ ਸਪੈਕਟ੍ਰਮ ਨੂੰ ਉਤਪਾਦ ਨਾਲ ਮੇਲਣ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੇ ਹਾਂ।

ਆਪਣੇ ਡੇਟਾਸੈੱਟ ਨੂੰ ਇੱਕ ਉਤਪਾਦ ਵਾਂਗ ਯੋਜਨਾ ਬਣਾਓ

ਸਫਲਤਾ ਅਤੇ ਰੁਕਾਵਟਾਂ ਨੂੰ ਪਹਿਲਾਂ ਹੀ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ

• ਪ੍ਰਾਇਮਰੀ ਮੈਟ੍ਰਿਕ: ਜ਼ਿਆਦਾਤਰ ਭਾਸ਼ਾਵਾਂ ਲਈ WER (ਸ਼ਬਦ ਗਲਤੀ ਦਰ); ਸਪੱਸ਼ਟ ਸ਼ਬਦ ਸੀਮਾਵਾਂ ਤੋਂ ਬਿਨਾਂ ਭਾਸ਼ਾਵਾਂ ਲਈ CER (ਅੱਖਰ ਗਲਤੀ ਦਰ)।
• ਲੇਟੈਂਸੀ ਅਤੇ ਫੁੱਟਪ੍ਰਿੰਟ: ਕੀ ਤੁਸੀਂ ਡਿਵਾਈਸ 'ਤੇ ਚਲਾਓਗੇ? ਇਹ ਸੈਂਪਲਿੰਗ ਦਰ, ਮਾਡਲ ਅਤੇ ਕੰਪਰੈਸ਼ਨ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ।
• ਗੋਪਨੀਯਤਾ ਅਤੇ ਪਾਲਣਾ: ਜੇਕਰ ਤੁਸੀਂ PHI/PII (ਜਿਵੇਂ ਕਿ ਸਿਹਤ ਸੰਭਾਲ) ਨੂੰ ਛੂਹਦੇ ਹੋ, ਤਾਂ ਸਹਿਮਤੀ, ਪਛਾਣ ਰੱਦ ਕਰਨ ਅਤੇ ਆਡਿਟਯੋਗਤਾ ਯਕੀਨੀ ਬਣਾਓ।

ਡੇਟਾ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚ ਅਸਲ ਵਰਤੋਂ ਨੂੰ ਮੈਪ ਕਰੋ

• ਸਥਾਨ ਅਤੇ ਲਹਿਜ਼ੇ: ਉਦਾਹਰਨ ਲਈ, en-US, en-IN, en-GB; ਸ਼ਹਿਰੀ/ਪੇਂਡੂ ਅਤੇ ਬਹੁਭਾਸ਼ਾਈ ਕੋਡ-ਸਵਿਚਿੰਗ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰੋ।
• ਵਾਤਾਵਰਣ: ਦਫ਼ਤਰ, ਗਲੀ, ਕਾਰ, ਰਸੋਈ; SNR ਟਾਰਗੇਟ; ਰੀਵਰਬ ਬਨਾਮ ਕਲੋਜ਼-ਟਾਕ ਮਾਈਕ।
• ਡਿਵਾਈਸਾਂ: ਸਮਾਰਟ ਸਪੀਕਰ, ਮੋਬਾਈਲ (ਐਂਡਰਾਇਡ/ਆਈਓਐਸ), ਹੈੱਡਸੈੱਟ, ਕਾਰ ਕਿੱਟਾਂ, ਲੈਂਡਲਾਈਨ।
• ਸਮੱਗਰੀ ਨੀਤੀਆਂ: ਅਪਮਾਨਜਨਕ ਸ਼ਬਦ, ਸੰਵੇਦਨਸ਼ੀਲ ਵਿਸ਼ੇ, ਪਹੁੰਚਯੋਗਤਾ ਸੰਕੇਤ (ਹਕਲਾਉਣਾ, ਡਿਸਾਰਥਰੀਆ) ਜਿੱਥੇ ਢੁਕਵਾਂ ਅਤੇ ਇਜਾਜ਼ਤ ਹੋਵੇ।

ਤੁਹਾਨੂੰ ਕਿੰਨੇ ਡੇਟਾ ਦੀ ਲੋੜ ਹੈ?

ਕੋਈ ਇੱਕ ਨੰਬਰ ਨਹੀਂ ਹੈ, ਪਰ ਕਵਰੇਜ ਕੱਚੇ ਘੰਟਿਆਂ ਨੂੰ ਪਛਾੜਦੀ ਹੈ। ਕੁਝ ਯੋਗਦਾਨ ਪਾਉਣ ਵਾਲਿਆਂ ਤੋਂ ਅਲਟਰਾ-ਲੰਬੇ ਲੈਣ ਨਾਲੋਂ ਸਪੀਕਰਾਂ, ਡਿਵਾਈਸਾਂ ਅਤੇ ਧੁਨੀ ਵਿਗਿਆਨ ਦੀ ਚੌੜਾਈ ਨੂੰ ਤਰਜੀਹ ਦਿਓ। ਕਮਾਂਡ-ਐਂਡ-ਕੰਟਰੋਲ ਲਈ, ਸੈਂਕੜੇ ਸਪੀਕਰਾਂ ਵਿੱਚ ਹਜ਼ਾਰਾਂ ਵਾਕ ਅਕਸਰ ਘੱਟ, ਲੰਬੀਆਂ ਰਿਕਾਰਡਿੰਗਾਂ ਨੂੰ ਪਛਾੜਦੇ ਹਨ। ਗੱਲਬਾਤ ਦੇ ASR ਲਈ, ਘੰਟਿਆਂ × ਵਿਭਿੰਨਤਾ ਅਤੇ ਸਾਵਧਾਨੀ ਨਾਲ ਵਿਆਖਿਆ ਵਿੱਚ ਨਿਵੇਸ਼ ਕਰੋ।

ਮੌਜੂਦਾ ਲੈਂਡਸਕੇਪ: ਓਪਨ-ਸੋਰਸ ਮਾਡਲ (ਜਿਵੇਂ ਕਿ, ਵਿਸਪਰ) ਲੱਖਾਂ ਘੰਟਿਆਂ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਇੱਕ ਮਜ਼ਬੂਤ ​​ਬੇਸਲਾਈਨ ਸੈੱਟ ਕਰਦੇ ਹਨ; ਡੋਮੇਨ, ਐਕਸੈਂਟ, ਅਤੇ ਤੁਹਾਡੇ ਡੇਟਾ ਨਾਲ ਸ਼ੋਰ ਅਨੁਕੂਲਤਾ ਅਜੇ ਵੀ ਉਤਪਾਦਨ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਅੱਗੇ ਵਧਾਉਂਦੀ ਹੈ।

ਸੰਗ੍ਰਹਿ: ਕਦਮ-ਦਰ-ਕਦਮ ਵਰਕਫਲੋ

1. ਅਸਲ ਉਪਭੋਗਤਾ ਇਰਾਦੇ ਤੋਂ ਸ਼ੁਰੂ ਕਰੋ

ਪ੍ਰੋਂਪਟ ਅਤੇ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਡਰਾਫਟ ਕਰਨ ਲਈ ਖੋਜ ਲੌਗ, ਸਹਾਇਤਾ ਟਿਕਟਾਂ, IVR ਟ੍ਰਾਂਸਕ੍ਰਿਪਟਾਂ, ਚੈਟ ਲੌਗ ਅਤੇ ਉਤਪਾਦ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਮਾਈਨਿੰਗ ਕਰੋ। ਤੁਸੀਂ ਲੰਬੇ-ਪੂਛ ਵਾਲੇ ਇਰਾਦਿਆਂ ਨੂੰ ਕਵਰ ਕਰੋਗੇ ਜੋ ਤੁਸੀਂ ਨਹੀਂ ਤਾਂ ਗੁਆ ਬੈਠੋਗੇ।

2. ਭਿੰਨਤਾ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਡਰਾਫਟ ਪ੍ਰੋਂਪਟ ਅਤੇ ਸਕ੍ਰਿਪਟਾਂ

• ਘੱਟੋ-ਘੱਟ ਜੋੜੇ ਲਿਖੋ ("ਬੈਠਕ ਦੀ ਲਾਈਟ ਚਾਲੂ ਕਰੋ" ਬਨਾਮ "ਸਵਿੱਚ ਚਾਲੂ ਕਰੋ...")।
• ਬੀਜਾਂ ਦੀ ਰਹਿੰਦ-ਖੂੰਹਦ ("ਓਹ, ਕੀ ਤੁਸੀਂ ਕਰ ਸਕਦੇ ਹੋ...") ਅਤੇ ਜੇ ਢੁਕਵਾਂ ਹੋਵੇ ਤਾਂ ਕੋਡ-ਸਵਿਚਿੰਗ।
• ਥਕਾਵਟ ਤੋਂ ਬਚਣ ਲਈ ਪੜ੍ਹਨ ਦੇ ਸੈਸ਼ਨਾਂ ਨੂੰ ~15 ਮਿੰਟਾਂ ਤੱਕ ਸੀਮਤ ਕਰੋ; ਸਾਫ਼ ਵਿਭਾਜਨ ਲਈ ਲਾਈਨਾਂ ਵਿਚਕਾਰ 2-3 ਸਕਿੰਟ ਦਾ ਅੰਤਰ ਪਾਓ (ਤੁਹਾਡੀ ਅਸਲ ਮਾਰਗਦਰਸ਼ਨ ਦੇ ਅਨੁਸਾਰ)।

3. ਸਹੀ ਬੁਲਾਰਿਆਂ ਦੀ ਭਰਤੀ ਕਰੋ

ਮਾਰਕੀਟ ਅਤੇ ਨਿਰਪੱਖਤਾ ਦੇ ਟੀਚਿਆਂ ਨਾਲ ਮੇਲ ਖਾਂਦੀ ਜਨਸੰਖਿਆ ਵਿਭਿੰਨਤਾ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਓ। ਯੋਗਤਾ, ਕੋਟਾ ਅਤੇ ਸਹਿਮਤੀ ਨੂੰ ਦਸਤਾਵੇਜ਼ ਬਣਾਓ। ਨਿਰਪੱਖਤਾ ਨਾਲ ਮੁਆਵਜ਼ਾ ਦਿਓ।

4. ਯਥਾਰਥਵਾਦੀ ਸਥਿਤੀਆਂ ਵਿੱਚ ਰਿਕਾਰਡ ਕਰੋ

ਇੱਕ ਮੈਟ੍ਰਿਕਸ ਇਕੱਠਾ ਕਰੋ: ਸਪੀਕਰ × ਡਿਵਾਈਸ × ਵਾਤਾਵਰਣ।

ਉਦਾਹਰਣ ਲਈ:

• ਉਪਕਰਣ: ਆਈਫੋਨ ਮਿਡ-ਟੀਅਰ, ਐਂਡਰਾਇਡ ਲੋ-ਟੀਅਰ, ਸਮਾਰਟ ਸਪੀਕਰ ਫਾਰ-ਫੀਲਡ ਮਾਈਕ।
• ਵਾਤਾਵਰਨ: ਸ਼ਾਂਤ ਕਮਰਾ (ਖੇਤ ਦੇ ਨੇੜੇ), ਰਸੋਈ (ਉਪਕਰਣ), ਕਾਰ (ਹਾਈਵੇ), ਗਲੀ (ਟ੍ਰੈਫਿਕ)।
• ਫਾਰਮੈਟ: ASR ਲਈ 16 kHz / 16-ਬਿੱਟ PCM ਆਮ ਹੈ; ਜੇਕਰ ਤੁਸੀਂ ਨਮੂਨਾ ਘਟਾਓਗੇ ਤਾਂ ਉੱਚ ਦਰਾਂ 'ਤੇ ਵਿਚਾਰ ਕਰੋ।

5. ਪਰਿਵਰਤਨਸ਼ੀਲਤਾ ਪੈਦਾ ਕਰੋ (ਜਾਣਬੁੱਝ ਕੇ)

ਕੁਦਰਤੀ ਰਫ਼ਤਾਰ, ਸਵੈ-ਸੁਧਾਰ, ਅਤੇ ਰੁਕਾਵਟਾਂ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰੋ। ਦ੍ਰਿਸ਼-ਅਧਾਰਿਤ ਅਤੇ ਕੁਦਰਤੀ ਡੇਟਾ ਲਈ, ਓਵਰ-ਕੋਚ ਨਾ ਕਰੋ; ਤੁਸੀਂ ਆਪਣੇ ਗਾਹਕਾਂ ਦੁਆਰਾ ਪੈਦਾ ਕੀਤੀ ਗਈ ਗੜਬੜ ਚਾਹੁੰਦੇ ਹੋ।

6. ਹਾਈਬ੍ਰਿਡ ਪਾਈਪਲਾਈਨ ਨਾਲ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਕਰੋ

• ਇੱਕ ਮਜ਼ਬੂਤ ​​ਬੇਸਲਾਈਨ ਮਾਡਲ (ਜਿਵੇਂ ਕਿ, ਵਿਸਪਰ ਜਾਂ ਤੁਹਾਡੇ ਘਰ ਵਿੱਚ) ਨਾਲ ਆਟੋ-ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਕਰੋ।
• ਸੁਧਾਰਾਂ, ਡਾਇਰਾਈਜ਼ੇਸ਼ਨ, ਅਤੇ ਘਟਨਾਵਾਂ ਲਈ ਮਨੁੱਖੀ QA (ਹਾਸਾ, ਫਿਲਰ ਸ਼ਬਦ)।
• ਇਕਸਾਰਤਾ ਜਾਂਚ: ਸਪੈਲਿੰਗ ਡਿਕਸ਼ਨਰੀਆਂ, ਡੋਮੇਨ ਲੈਕਸੀਕਨ, ਵਿਰਾਮ ਚਿੰਨ੍ਹ ਨੀਤੀ।

7. ਚੰਗੀ ਤਰ੍ਹਾਂ ਵੰਡੋ; ਇਮਾਨਦਾਰੀ ਨਾਲ ਟੈਸਟ ਕਰੋ

• ਸਪੀਕਰ ਅਤੇ ਦ੍ਰਿਸ਼ ਵਿਛੋੜੇ ਨਾਲ ਟ੍ਰੇਨ/ਵਿਕਾਸ/ਟੈਸਟ (ਲੀਕੇਜ ਤੋਂ ਬਚੋ)।
• ਇੱਕ ਅਸਲ-ਸੰਸਾਰ ਦਾ ਬਲਾਇੰਡ ਸੈੱਟ ਰੱਖੋ ਜੋ ਉਤਪਾਦਨ ਦੇ ਸ਼ੋਰ ਅਤੇ ਡਿਵਾਈਸਾਂ ਨੂੰ ਪ੍ਰਤੀਬਿੰਬਤ ਕਰਦਾ ਹੈ; ਦੁਹਰਾਓ ਦੌਰਾਨ ਇਸਨੂੰ ਨਾ ਛੂਹੋ।

ਐਨੋਟੇਸ਼ਨ: ਲੇਬਲਾਂ ਨੂੰ ਆਪਣਾ ਖਾਈ ਬਣਾਓ

ਇੱਕ ਸਪਸ਼ਟ ਸਕੀਮਾ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ

•  ਸ਼ਬਦਾਵਲੀ ਨਿਯਮ: ਸੰਖਿਆਵਾਂ ("ਪੱਚੀ" ਬਨਾਮ "25"), ਸੰਖੇਪ ਸ਼ਬਦ, ਵਿਰਾਮ ਚਿੰਨ੍ਹ।
•  ਘਟਨਾਵਾਂ: [ਹਾਸਾ], [ਕਰਾਸਟਾਕ], [ਸੁਣਨਯੋਗ ਨਹੀਂ: 00:03.2–00:03.7]।
• ਡਾਇਰਾਈਜ਼ੇਸ਼ਨ: ਜਿੱਥੇ ਇਜਾਜ਼ਤ ਹੋਵੇ, ਸਪੀਕਰ A/B ਲੇਬਲ ਜਾਂ ਟਰੈਕ ਕੀਤੇ ਆਈਡੀ।
• ਟਾਈਮਸਟੈਂਪ: ਜੇਕਰ ਤੁਸੀਂ ਖੋਜ, ਉਪਸਿਰਲੇਖਾਂ, ਜਾਂ ਅਲਾਈਨਮੈਂਟ ਦਾ ਸਮਰਥਨ ਕਰਦੇ ਹੋ ਤਾਂ ਸ਼ਬਦ- ਜਾਂ ਵਾਕੰਸ਼-ਪੱਧਰ।

ਐਨੋਟੇਟਰਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦਿਓ; ਉਹਨਾਂ ਨੂੰ ਮਾਪੋ

ਗੋਲਡ ਟਾਸਕ ਅਤੇ ਇੰਟਰ-ਐਨੋਟੇਟਰ ਐਗਰੀਮੈਂਟ (IAA) ਦੀ ਵਰਤੋਂ ਕਰੋ। ਮਹੱਤਵਪੂਰਨ ਟੋਕਨਾਂ (ਉਤਪਾਦ ਦੇ ਨਾਮ, ਦਵਾਈਆਂ) ਅਤੇ ਟਰਨਅਰਾਊਂਡ ਸਮੇਂ 'ਤੇ ਸ਼ੁੱਧਤਾ/ਯਾਦ ਨੂੰ ਟਰੈਕ ਕਰੋ। ਮਲਟੀ-ਪਾਸ QA (ਪੀਅਰ ਸਮੀਖਿਆ → ਲੀਡ ਸਮੀਖਿਆ) ਮਾਡਲ ਈਵਲ ਸਥਿਰਤਾ ਵਿੱਚ ਬਾਅਦ ਵਿੱਚ ਭੁਗਤਾਨ ਕਰਦਾ ਹੈ।

ਗੁਣਵੱਤਾ ਪ੍ਰਬੰਧਨ: ਆਪਣਾ ਡੇਟਾ ਲੇਕ ਨਾ ਭੇਜੋ

• ਆਟੋਮੇਟਿਡ ਸਕ੍ਰੀਨਾਂ: ਕਲਿੱਪਿੰਗ, ਕਲਿੱਪਿੰਗ ਅਨੁਪਾਤ, SNR ਸੀਮਾਵਾਂ, ਲੰਬੀਆਂ ਚੁੱਪੀਆਂ, ਕੋਡੇਕ ਬੇਮੇਲ।
• ਮਨੁੱਖੀ ਆਡਿਟ: ਵਾਤਾਵਰਣ ਅਤੇ ਡਿਵਾਈਸ ਦੁਆਰਾ ਬੇਤਰਤੀਬ ਨਮੂਨੇ; ਸਪਾਟ ਚੈੱਕ ਡਾਇਰਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਵਿਰਾਮ ਚਿੰਨ੍ਹ।
• ਵਰਜਨਿੰਗ: ਡੇਟਾਸੈੱਟਾਂ ਨੂੰ ਕੋਡ—ਸੇਮਵਰ, ਚੇਂਜਲੌਗ, ਅਤੇ ਅਟੱਲ ਟੈਸਟ ਸੈੱਟਾਂ ਵਰਗੇ ਵਰਤੋ।

ਆਪਣੇ ASR ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ: ਇੱਕ ਸਿੰਗਲ WER ਤੋਂ ਪਰੇ

WER ਨੂੰ ਸਮੁੱਚੇ ਤੌਰ 'ਤੇ ਅਤੇ ਟੁਕੜੇ ਦੁਆਰਾ ਮਾਪੋ:

• ਵਾਤਾਵਰਣ ਦੁਆਰਾ: ਸ਼ਾਂਤ ਬਨਾਮ ਕਾਰ ਬਨਾਮ ਗਲੀ
• ਡਿਵਾਈਸ ਦੁਆਰਾ: ਘੱਟ-ਪੱਧਰੀ ਐਂਡਰਾਇਡ ਬਨਾਮ ਆਈਫੋਨ
• ਲਹਿਜ਼ੇ/ਸਥਾਨ ਅਨੁਸਾਰ: en-IN ਬਨਾਮ en-US
• ਡੋਮੇਨ ਸ਼ਬਦਾਂ ਅਨੁਸਾਰ: ਉਤਪਾਦਾਂ ਦੇ ਨਾਮ, ਦਵਾਈਆਂ, ਪਤੇ

ਜੇਕਰ ਤੁਸੀਂ ਰੀਅਲ-ਟਾਈਮ UX ਨੂੰ ਪਾਵਰ ਦਿੰਦੇ ਹੋ ਤਾਂ ਲੇਟੈਂਸੀ, ਅੰਸ਼ਕ ਵਿਵਹਾਰ ਅਤੇ ਐਂਡਪੁਆਇੰਟਿੰਗ ਨੂੰ ਟਰੈਕ ਕਰੋ। ਮਾਡਲ ਨਿਗਰਾਨੀ ਲਈ, WER ਅਨੁਮਾਨ ਅਤੇ ਗਲਤੀ ਖੋਜ 'ਤੇ ਖੋਜ ਹਰ ਚੀਜ਼ ਨੂੰ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਕੀਤੇ ਬਿਨਾਂ ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਨੂੰ ਤਰਜੀਹ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀ ਹੈ।