中文标注任务规范.doc

群音信息服务有限公司2014 年 3 月 9 日星期日中文标注任务规范1.标注任务目标标注任务就是标注声音文件内容，把“内容栏”的文本与音频红框中真实发音修改一致，最终获取到语音正常的声音文件2.标注任务方式标注音频数据总分两大类，好数据、坏数据好数据指发音人是在与系统对话，且语音波形完整、内容清晰的正常数据；坏数据指无效数据；内容与音频一致指音频发出内容与内容栏文本完全一致（没有错别字） ；内容与音频不一致指音频发出内容与内容栏文本不一致，需要人工操作修改一致详细说明见下表：数据分类子分类标注方式内容与音频一致无需操作完成本条标注，点击“下一句”好数据内容与音频不一致内容栏文本根据声音文件修改一致，点击“下一句”坏数据无点击“标记不可用”或“配置的快捷键” ，继续标注群音信息服务有限公司2014 年 3 月 9 日星期日3.好数据文本录入标准3.1 内容文本要与真实音频发音完全一致，不可增减字、错字；人名、小区名、道路名无法确定用字时，录入准确发音的常用字；3.2 真实发音为“我去哪哪里呀” ， “哪”字有重复，就要忠实地录成“我去哪哪里呀” 另由于口音或个人习惯导致的音变，按普通话标注音录入；3.3 多音字或生活中有不同发音的字，也按普通话标注音录入。

例如， “办公室”的“室” ，有人说成 shǐ，有人说成shì，都录成“办公室” ；3.4 对于儿化音，也要忠实于发音录入例如，发音是“哪儿” ，就录成“哪儿” ，没有发出儿化音的，就录成“哪” ；3.5 发音停顿录入文本连续，不需要空格或添加符号,英文缩写除外；例如， “what’s your name”中的撇号必须是英文状态下录入，特殊符号读法“#”录入“井号键” ；“*”录入“星号键” ；3.6 不允许录入阿拉伯数字，需转换汉字，例如， “1”转”一“或“幺”根据真实发音录入，如读“120”可录入“幺二零” ；也可点击【数字转中文】 【数值转中文】进行“阿拉伯”到“汉字”转换；3.7 语句中包含英文单词或字母，根据发音录入，字母要大写，字母与字母之间空一格， “单词要小写” ，单词与单词之间空一格，汉字与字母或单词之间不需要空格；例如，发音一个字母读“O P P O”则按照字母录入，若是连读“oppo” ，则按照单词录入；例如、如“三 W 点”则根据真实发音录入；3.8 语气词用最常用写法，例如嗯，哦，哎，呃，啊，啦，嘞，吗，嘛（陈述句用）等，识别结果有语气词或“干嘛”不影响语义无需修改。

4.坏数据判断标准坏数据是指声音文件中出现的非正常语音,语音波形不完整、语音不清晰、纯方言、没有人说话等现象，具体如下：4.1 音频无主发音人类型：纯环境噪音；两个人对话、纯人声噪音；纯音乐、说唱；纯人声非语音，例如笑，打喷嚏，咳嗽等；纯机器人的声音；4.2 音频有主发音人类型：1)语音波形不完整现象指语句首字音或尾字音被截，打开音频前后无静音段，从听感上首字音或尾字音不完整，此为截断数据；2)发音人语音不清晰类型：例如方言、口音严重，除英语以外其他外语；群音信息服务有限公司2014 年 3 月 9 日星期日3)发音人录音效果差：发音人喷麦严重，发音人嘘嗓子说话；4)设备噪音类型： 滴滴音、震动音、log 音波形大于主说话人且影响识别结果；5)人声噪音类型：主发音人对系统说话时，把旁边人声音录进去且声音清晰影响识别结果；6)严重上下截幅类型：主说话人声贝高造成波形超出上下边界线且影响识别结果2014-3-9 23:16。