ਗੱਲਬਾਤ ਸੰਬੰਧੀ AI: ਆਟੋਮੈਟਿਕ ਸਪੀਚ ਰਿਕੋਗਨੀਸ਼ਨ

ਦਾ ਹੱਲ

ਗੱਲਬਾਤ ਸੰਬੰਧੀ AI ਦੀ ਸਾਡੀ ਡੂੰਘੀ ਸਮਝ ਦੇ ਨਾਲ, ਅਸੀਂ ਕਲਾਇੰਟ ਨੂੰ ਭਾਰਤ ਦੇ ਦੂਰ-ਦੁਰਾਡੇ ਦੇ ਹਿੱਸਿਆਂ ਤੋਂ ਆਡੀਓ ਡੇਟਾ ਦਾ ਵੱਡਾ ਭੰਡਾਰ ਬਣਾਉਣ ਲਈ ਮਾਹਰ ਕੁਲੈਕਟਰਾਂ, ਭਾਸ਼ਾ ਵਿਗਿਆਨੀਆਂ ਅਤੇ ਵਿਆਖਿਆਕਾਰਾਂ ਦੀ ਇੱਕ ਟੀਮ ਨਾਲ ਆਡੀਓ ਡੇਟਾ ਨੂੰ ਇਕੱਤਰ ਕਰਨ, ਪ੍ਰਤੀਲਿਪੀ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ।

ਸ਼ੈਪ ਲਈ ਕੰਮ ਦੇ ਦਾਇਰੇ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤਾ ਗਿਆ ਸੀ ਪਰ ਆਡੀਓ ਸਿਖਲਾਈ ਡੇਟਾ ਦੀ ਵੱਡੀ ਮਾਤਰਾ ਪ੍ਰਾਪਤ ਕਰਨ, ਡੇਟਾ ਨੂੰ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਕਰਨ ਅਤੇ ਮੈਟਾਡੇਟਾ [ਸਪੀਕਰਾਂ ਅਤੇ ਟ੍ਰਾਂਸਕ੍ਰਾਈਟਰਾਂ ਦੋਵਾਂ ਲਈ] ਨਾਲ ਸੰਬੰਧਿਤ JSON ਫਾਈਲਾਂ ਪ੍ਰਦਾਨ ਕਰਨ ਤੱਕ ਸੀਮਿਤ ਨਹੀਂ ਸੀ। ਹਰੇਕ ਸਪੀਕਰ ਲਈ, ਮੈਟਾਡੇਟਾ ਵਿੱਚ ਇੱਕ ਅਗਿਆਤ ਸਪੀਕਰ ID, ਡਿਵਾਈਸ ਵੇਰਵੇ, ਜਨਸੰਖਿਆ ਜਾਣਕਾਰੀ ਜਿਵੇਂ ਕਿ ਲਿੰਗ, ਉਮਰ, ਅਤੇ ਸਿੱਖਿਆ, ਉਹਨਾਂ ਦੇ ਪਿਨਕੋਡ, ਸਮਾਜਿਕ-ਆਰਥਿਕ ਸਥਿਤੀ, ਬੋਲੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਭਾਸ਼ਾਵਾਂ, ਅਤੇ ਉਹਨਾਂ ਦੇ ਜੀਵਨ ਦੇ ਰਹਿਣ ਦੀ ਮਿਆਦ ਦਾ ਰਿਕਾਰਡ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ। ਹਰੇਕ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬਰ ਲਈ, ਡੇਟਾ ਵਿੱਚ ਇੱਕ ਗੁਮਨਾਮ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬਰ ਆਈਡੀ, ਸਪੀਕਰਾਂ ਦੇ ਸਮਾਨ ਜਨਸੰਖਿਆ ਵੇਰਵੇ, ਉਹਨਾਂ ਦੇ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਅਨੁਭਵ ਦੀ ਮਿਆਦ, ਅਤੇ ਉਹਨਾਂ ਭਾਸ਼ਾਵਾਂ ਦਾ ਇੱਕ ਪੂਰਾ ਵਿਭਾਜਨ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ ਜੋ ਉਹ ਪੜ੍ਹ, ਲਿਖ ਅਤੇ ਬੋਲ ਸਕਦੇ ਹਨ।

ਸ਼ੈਪ ਇਕੱਠਾ ਕੀਤਾ 8000 ਗੁੰਝਲਦਾਰ ਪ੍ਰੋਜੈਕਟਾਂ ਲਈ ਸਪੀਚ ਟੈਕਨਾਲੋਜੀ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਲੋੜੀਂਦੇ ਗੁਣਵੱਤਾ ਦੇ ਲੋੜੀਂਦੇ ਪੱਧਰਾਂ ਨੂੰ ਕਾਇਮ ਰੱਖਦੇ ਹੋਏ ਪੈਮਾਨੇ 'ਤੇ ਔਡੀਓ ਡੇਟਾ / ਸਵੈਚਲਿਤ ਭਾਸ਼ਣ ਦੇ ਘੰਟੇ ਅਤੇ 800 ਘੰਟੇ ਪ੍ਰਤੀਲਿਪੀ. ਹਰੇਕ ਭਾਗੀਦਾਰ ਤੋਂ ਸਪੱਸ਼ਟ ਸਹਿਮਤੀ ਫਾਰਮ ਲਿਆ ਗਿਆ ਸੀ। ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ/ਸਪੌਂਟੇਨੀਅਸ ਭਾਸ਼ਣ ਯੂਨੀਵਰਸਿਟੀ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਚਿੱਤਰਾਂ 'ਤੇ ਅਧਾਰਤ ਸੀ। ਦੇ 3500 ਤਸਵੀਰ 1000 ਆਮ ਹਨ ਅਤੇ 2500 ਜ਼ਿਲ੍ਹਾ-ਵਿਸ਼ੇਸ਼ ਸੱਭਿਆਚਾਰ, ਤਿਉਹਾਰਾਂ, ਆਦਿ ਨਾਲ ਸਬੰਧਤ। ਚਿੱਤਰ ਵੱਖ-ਵੱਖ ਡੋਮੇਨਾਂ ਜਿਵੇਂ ਕਿ ਰੇਲਵੇ ਸਟੇਸ਼ਨ, ਬਾਜ਼ਾਰ, ਮੌਸਮ ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।

ਡਾਟਾ ਇਕੱਤਰ ਕਰਨਾ

ਜਨਰਲ ਗਾਈਡਲਾਈਨਜ਼

ਫਾਰਮੈਟ ਹੈ

• • 16 kHz 'ਤੇ ਆਡੀਓ, 16 ਬਿੱਟ/ਨਮੂਨਾ।
  • ਸਿੰਗਲ ਚੈਨਲ।
  • ਟ੍ਰਾਂਸਕੋਡਿੰਗ ਤੋਂ ਬਿਨਾਂ ਕੱਚਾ ਆਡੀਓ।

ਸ਼ੈਲੀ

• • ਸੁਭਾਵਿਕ ਭਾਸ਼ਣ.
  • ਯੂਨੀਵਰਸਿਟੀ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਚਿੱਤਰਾਂ 'ਤੇ ਆਧਾਰਿਤ ਵਾਕ। 3500 ਚਿੱਤਰਾਂ ਵਿੱਚੋਂ, 1000 ਆਮ ਹਨ ਅਤੇ 2500 ਜ਼ਿਲ੍ਹਾ-ਵਿਸ਼ੇਸ਼ ਸੱਭਿਆਚਾਰ, ਤਿਉਹਾਰਾਂ ਆਦਿ ਨਾਲ ਸਬੰਧਤ ਹਨ। ਚਿੱਤਰ ਵੱਖ-ਵੱਖ ਡੋਮੇਨਾਂ ਜਿਵੇਂ ਕਿ ਰੇਲਵੇ ਸਟੇਸ਼ਨ, ਬਾਜ਼ਾਰ, ਮੌਸਮ ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।

ਰਿਕਾਰਡਿੰਗ ਬੈਕਗ੍ਰਾਊਂਡ

• • ਇੱਕ ਸ਼ਾਂਤ, ਗੂੰਜ-ਮੁਕਤ ਵਾਤਾਵਰਣ ਵਿੱਚ ਰਿਕਾਰਡ ਕੀਤਾ ਗਿਆ।
  • ਰਿਕਾਰਡਿੰਗ ਦੇ ਦੌਰਾਨ ਕੋਈ ਸਮਾਰਟਫੋਨ ਗੜਬੜੀ (ਵਾਈਬ੍ਰੇਸ਼ਨ ਜਾਂ ਸੂਚਨਾਵਾਂ) ਨਹੀਂ।
  • ਕਲਿੱਪਿੰਗ ਜਾਂ ਦੂਰ-ਖੇਤਰ ਦੇ ਪ੍ਰਭਾਵਾਂ ਵਰਗੀਆਂ ਕੋਈ ਵਿਗਾੜ ਨਹੀਂ।
  • ਫ਼ੋਨ ਤੋਂ ਵਾਈਬ੍ਰੇਸ਼ਨ ਅਸਵੀਕਾਰਨਯੋਗ; ਜੇਕਰ ਆਡੀਓ ਸਾਫ਼ ਹੋਵੇ ਤਾਂ ਬਾਹਰੀ ਵਾਈਬ੍ਰੇਸ਼ਨਾਂ ਸਹਿਣਯੋਗ ਹੁੰਦੀਆਂ ਹਨ।

ਸਪੀਕਰ ਦਾ ਵੇਰਵਾ

• • ਪ੍ਰਤੀ ਜ਼ਿਲ੍ਹਾ ਸੰਤੁਲਿਤ ਲਿੰਗ ਵੰਡ ਦੇ ਨਾਲ ਉਮਰ ਦੀ ਰੇਂਜ 20-70 ਸਾਲ।
  • ਹਰੇਕ ਜ਼ਿਲ੍ਹੇ ਵਿੱਚ ਘੱਟੋ-ਘੱਟ 400 ਮੂਲ ਬੋਲਣ ਵਾਲੇ।
  • ਬੋਲਣ ਵਾਲਿਆਂ ਨੂੰ ਆਪਣੀ ਘਰੇਲੂ ਭਾਸ਼ਾ/ਬੋਲੀ ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।
  • ਸਾਰੇ ਭਾਗੀਦਾਰਾਂ ਲਈ ਸਹਿਮਤੀ ਫਾਰਮ ਲਾਜ਼ਮੀ ਹਨ।

ਗੁਣਵੱਤਾ ਜਾਂਚ ਅਤੇ ਨਾਜ਼ੁਕ ਗੁਣਵੱਤਾ ਭਰੋਸਾ

QA ਪ੍ਰਕਿਰਿਆ ਆਡੀਓ ਰਿਕਾਰਡਿੰਗਾਂ ਅਤੇ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨਾਂ ਲਈ ਗੁਣਵੱਤਾ ਭਰੋਸੇ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੀ ਹੈ। ਆਡੀਓ ਮਿਆਰ ਸਟੀਕ ਚੁੱਪ, ਖੰਡ ਦੀ ਮਿਆਦ, ਸਿੰਗਲ-ਸਪੀਕਰ ਸਪਸ਼ਟਤਾ, ਅਤੇ ਉਮਰ ਅਤੇ ਸਮਾਜਿਕ-ਆਰਥਿਕ ਸਥਿਤੀ ਸਮੇਤ ਵਿਸਤ੍ਰਿਤ ਮੈਟਾਡੇਟਾ 'ਤੇ ਕੇਂਦ੍ਰਤ ਕਰਦੇ ਹਨ। ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਮਾਪਦੰਡ ਟੈਗ ਦੀ ਸ਼ੁੱਧਤਾ, ਸ਼ਬਦ ਦੀ ਸੱਚਾਈ, ਅਤੇ ਸਹੀ ਹਿੱਸੇ ਦੇ ਵੇਰਵਿਆਂ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੇ ਹਨ। ਸਵੀਕ੍ਰਿਤੀ ਬੈਂਚਮਾਰਕ ਇਹ ਹੁਕਮ ਦਿੰਦਾ ਹੈ ਕਿ ਜੇਕਰ ਔਡੀਓ ਬੈਚ ਦੇ 20% ਤੋਂ ਵੱਧ ਇਹਨਾਂ ਮਿਆਰਾਂ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦੇ ਹਨ, ਤਾਂ ਇਸਨੂੰ ਰੱਦ ਕਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। 20% ਤੋਂ ਘੱਟ ਮਤਭੇਦਾਂ ਲਈ, ਸਮਾਨ ਪ੍ਰੋਫਾਈਲਾਂ ਨਾਲ ਰਿਕਾਰਡਿੰਗ ਬਦਲਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਡਾਟਾ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ

ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ ਸ਼ੁੱਧਤਾ ਅਤੇ ਜ਼ੁਬਾਨੀ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ 'ਤੇ ਸਿਰਫ਼ ਉਦੋਂ ਜ਼ੋਰ ਦਿੰਦੇ ਹਨ ਜਦੋਂ ਸ਼ਬਦ ਸਪੱਸ਼ਟ ਅਤੇ ਸਮਝਣ ਯੋਗ ਹੁੰਦੇ ਹਨ; ਮੁੱਦੇ ਦੇ ਆਧਾਰ 'ਤੇ ਅਸਪਸ਼ਟ ਸ਼ਬਦਾਂ ਨੂੰ [ਅਣਸਮਝਣਯੋਗ] ਜਾਂ [ਅਣਸੁਣਨਯੋਗ] ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਲੰਬੇ ਆਡੀਓ ਵਿੱਚ ਵਾਕ ਸੀਮਾਵਾਂ ਨਾਲ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਗਿਆ ਹੈ , ਅਤੇ ਵਿਆਕਰਣ ਦੀਆਂ ਗਲਤੀਆਂ ਦੀ ਕੋਈ ਵਿਆਖਿਆ ਜਾਂ ਸੁਧਾਰ ਦੀ ਆਗਿਆ ਨਹੀਂ ਹੈ। ਵਰਬੈਟਿਮ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਵਿੱਚ ਗਲਤੀਆਂ, ਗਾਲਾਂ, ਅਤੇ ਦੁਹਰਾਓ ਸ਼ਾਮਲ ਹਨ ਪਰ ਗਲਤ ਸ਼ੁਰੂਆਤ, ਫਿਲਰ ਧੁਨੀਆਂ ਅਤੇ ਸਟਟਰਾਂ ਨੂੰ ਛੱਡ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਬੈਕਗ੍ਰਾਉਂਡ ਅਤੇ ਫੋਰਗਰਾਉਂਡ ਸ਼ੋਰ ਨੂੰ ਵਰਣਨਯੋਗ ਟੈਗਸ ਨਾਲ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਸਹੀ ਨਾਮ, ਸਿਰਲੇਖ ਅਤੇ ਨੰਬਰ ਖਾਸ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹਨ। ਹਰ ਵਾਕ ਲਈ ਸਪੀਕਰ ਲੇਬਲ ਵਰਤੇ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਅਧੂਰੇ ਵਾਕਾਂ ਨਾਲ ਦਰਸਾਏ ਜਾਂਦੇ ਹਨ।

ਪ੍ਰੋਜੈਕਟ ਵਰਕਫਲੋ

ਵਰਕਫਲੋ ਆਡੀਓ ਪ੍ਰਤੀਲਿਪੀ ਪ੍ਰਕਿਰਿਆ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ। ਇਹ ਆਨਬੋਰਡਿੰਗ ਅਤੇ ਸਿਖਲਾਈ ਭਾਗੀਦਾਰਾਂ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ। ਉਹ ਇੱਕ ਐਪ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਡੀਓ ਰਿਕਾਰਡ ਕਰਦੇ ਹਨ, ਜੋ ਕਿ QA ਪਲੇਟਫਾਰਮ 'ਤੇ ਅੱਪਲੋਡ ਹੁੰਦਾ ਹੈ। ਇਹ ਆਡੀਓ ਗੁਣਵੱਤਾ ਜਾਂਚਾਂ ਅਤੇ ਆਟੋਮੈਟਿਕ ਸੈਗਮੈਂਟੇਸ਼ਨ ਤੋਂ ਗੁਜ਼ਰਦਾ ਹੈ। ਤਕਨੀਕੀ ਟੀਮ ਫਿਰ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਲਈ ਹਿੱਸੇ ਤਿਆਰ ਕਰਦੀ ਹੈ। ਮੈਨੂਅਲ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਤੋਂ ਬਾਅਦ, ਇੱਕ ਗੁਣਵੱਤਾ ਭਰੋਸਾ ਕਦਮ ਹੈ। ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਗਾਹਕ ਨੂੰ ਡਿਲੀਵਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਜੇਕਰ ਸਵੀਕਾਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਡਿਲੀਵਰੀ ਨੂੰ ਪੂਰਾ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਜੇਕਰ ਨਹੀਂ, ਤਾਂ ਗਾਹਕ ਫੀਡਬੈਕ ਦੇ ਆਧਾਰ 'ਤੇ ਸੰਸ਼ੋਧਨ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।