കേസ് പഠനം: സ്വയമേവയുള്ള സംഭാഷണം തിരിച്ചറിയൽ

പരിഹാരം

സംഭാഷണ AI-യെക്കുറിച്ചുള്ള ആഴത്തിലുള്ള ധാരണയോടെ, ഇന്ത്യയുടെ വിദൂര ഭാഗങ്ങളിൽ നിന്നുള്ള ഓഡിയോ ഡാറ്റയുടെ വലിയ കോർപ്പസ് നിർമ്മിക്കുന്നതിന് വിദഗ്ദ്ധരായ കളക്ടർമാർ, ഭാഷാശാസ്ത്രജ്ഞർ, വ്യാഖ്യാനകർ എന്നിവരുടെ ഒരു ടീമിനൊപ്പം ഓഡിയോ ഡാറ്റ ശേഖരിക്കാനും ട്രാൻസ്ക്രൈബ് ചെയ്യാനും ഞങ്ങൾ ക്ലയൻ്റിനെ സഹായിച്ചു.

Shaip-ൻ്റെ പ്രവർത്തനത്തിൻ്റെ വ്യാപ്തി ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, എന്നാൽ വലിയ അളവിലുള്ള ഓഡിയോ പരിശീലന ഡാറ്റ നേടുന്നതിനും ഡാറ്റ ട്രാൻസ്‌ക്രൈബ് ചെയ്യുന്നതിനും [സ്പീക്കറുകൾക്കും ട്രാൻസ്‌ക്രൈബർമാർക്കും [സ്പീക്കറുകൾക്കും ട്രാൻസ്‌ക്രൈബർമാർക്കും വേണ്ടിയുള്ള മെറ്റാഡാറ്റ അടങ്ങുന്ന അനുബന്ധ JSON ഫയലുകൾ വിതരണം ചെയ്യുന്നതിനും പരിമിതപ്പെടുത്തിയിട്ടില്ല. ഓരോ സ്പീക്കറിനും, മെറ്റാഡാറ്റയിൽ ഒരു അജ്ഞാത സ്പീക്കർ ഐഡി, ഉപകരണ വിശദാംശങ്ങൾ, ലിംഗഭേദം, പ്രായം, വിദ്യാഭ്യാസം തുടങ്ങിയ ജനസംഖ്യാപരമായ വിവരങ്ങൾ, അവരുടെ പിൻകോഡ്, സാമൂഹിക-സാമ്പത്തിക നില, സംസാരിക്കുന്ന ഭാഷകൾ, അവരുടെ ജീവിതകാല കാലയളവിൻ്റെ റെക്കോർഡ് എന്നിവ ഉൾപ്പെടുന്നു. ഓരോ ട്രാൻസ്‌ക്രൈബറിനും, ഡാറ്റയിൽ ഒരു അജ്ഞാത ട്രാൻസ്‌ക്രൈബർ ഐഡി, സ്പീക്കറുകൾക്ക് സമാനമായ ഡെമോഗ്രാഫിക് വിശദാംശങ്ങൾ, അവരുടെ ട്രാൻസ്ക്രിപ്ഷൻ അനുഭവ ദൈർഘ്യം, അവർക്ക് വായിക്കാനും എഴുതാനും സംസാരിക്കാനും കഴിയുന്ന ഭാഷകളുടെ സമഗ്രമായ തകർച്ച എന്നിവ ഉൾപ്പെടുന്നു.

ഷൈപ്പ് ശേഖരിച്ചു 8000 ഓഡിയോ ഡാറ്റയുടെ മണിക്കൂറുകൾ / സ്‌കെയിലിൽ സ്വയമേവയുള്ള സംഭാഷണം, സങ്കീർണ്ണമായ പ്രോജക്‌റ്റുകൾക്കായി സംഭാഷണ സാങ്കേതികവിദ്യ പരിശീലിപ്പിക്കുന്നതിന് ആവശ്യമായ നിലവാരം പുലർത്തുന്ന സമയത്ത് 800 മണിക്കൂർ ട്രാൻസ്‌ക്രൈബ് ചെയ്‌തു. പങ്കെടുത്ത ഓരോരുത്തരിൽ നിന്നും വ്യക്തമായ സമ്മതപത്രം എടുത്തു. ശേഖരിച്ച / സ്വയമേവയുള്ള സംഭാഷണം സർവകലാശാല നൽകിയ ചിത്രങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. ഓഫ് 3500 ചിത്രങ്ങൾ 1000 പൊതുവായതും 2500 ജില്ല-നിർദ്ദിഷ്ട സംസ്കാരം, ഉത്സവങ്ങൾ മുതലായവയുമായി ബന്ധപ്പെട്ടതാണ്. ട്രെയിൻ സ്റ്റേഷനുകൾ, മാർക്കറ്റുകൾ, കാലാവസ്ഥ എന്നിവയും അതിലേറെയും പോലുള്ള വിവിധ ഡൊമെയ്‌നുകൾ ചിത്രങ്ങൾ ചിത്രീകരിക്കുന്നു.

ഡാറ്റ ശേഖരണം

പൊതുവായ മാർഗ്ഗനിർദ്ദേശങ്ങൾ

ഫോർമാറ്റ്

• • 16 kHz-ൽ ഓഡിയോ, 16 ബിറ്റുകൾ/സാമ്പിൾ.
  • ഒറ്റ ചാനൽ.
  • ട്രാൻസ്കോഡിംഗ് ഇല്ലാത്ത അസംസ്കൃത ഓഡിയോ.

ശൈലി

• • സ്വതസിദ്ധമായ സംസാരം.
  • യൂണിവേഴ്സിറ്റി നൽകിയ ചിത്രങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ള വാക്യങ്ങൾ. 3500 ചിത്രങ്ങളിൽ, 1000 ജനറിക് ആണ്, 2500 ജില്ല-നിർദ്ദിഷ്ട സംസ്കാരം, ഉത്സവങ്ങൾ മുതലായവയുമായി ബന്ധപ്പെട്ടതാണ്. ചിത്രങ്ങൾ ട്രെയിൻ സ്റ്റേഷനുകൾ, മാർക്കറ്റുകൾ, കാലാവസ്ഥ എന്നിവയും അതിലേറെയും പോലുള്ള വിവിധ ഡൊമെയ്‌നുകളെ ചിത്രീകരിക്കുന്നു.

റെക്കോർഡിംഗ് പശ്ചാത്തലം

• • നിശ്ശബ്ദവും പ്രതിധ്വനി രഹിതവുമായ അന്തരീക്ഷത്തിൽ റെക്കോർഡ് ചെയ്‌തിരിക്കുന്നു.
  • റെക്കോർഡിംഗ് സമയത്ത് സ്മാർട്ട്ഫോൺ തടസ്സങ്ങളൊന്നുമില്ല (വൈബ്രേഷൻ അല്ലെങ്കിൽ അറിയിപ്പുകൾ).
  • ക്ലിപ്പിംഗ് അല്ലെങ്കിൽ ഫാർ-ഫീൽഡ് ഇഫക്റ്റുകൾ പോലെയുള്ള വികലതകളൊന്നുമില്ല.
  • ഫോണിൽ നിന്നുള്ള വൈബ്രേഷനുകൾ അസ്വീകാര്യമാണ്; ഓഡിയോ വ്യക്തമാണെങ്കിൽ ബാഹ്യ വൈബ്രേഷനുകൾ സഹിക്കാവുന്നതാണ്.

സ്പീക്കർ സവിശേഷത

• • ഓരോ ജില്ലയിലും സമതുലിതമായ ലിംഗ വിതരണത്തോടെ 20-70 വയസ്സ് വരെയുള്ള പ്രായപരിധി.
  • ഓരോ ജില്ലയിലും കുറഞ്ഞത് 400 മാതൃഭാഷകൾ.
  • സംസാരിക്കുന്നവർ അവരുടെ മാതൃഭാഷ/ഭാഷ ഉപയോഗിക്കണം.
  • എല്ലാ പങ്കാളികൾക്കും സമ്മത ഫോമുകൾ നിർബന്ധമാണ്.

ഗുണനിലവാര പരിശോധനയും ക്രിട്ടിക്കൽ ക്വാളിറ്റി അഷ്വറൻസും

ഓഡിയോ റെക്കോർഡിംഗുകൾക്കും ട്രാൻസ്ക്രിപ്ഷനുകൾക്കുമുള്ള ഗുണനിലവാര ഉറപ്പിന് QA പ്രോസസ്സ് മുൻഗണന നൽകുന്നു. കൃത്യമായ നിശബ്ദതകൾ, സെഗ്‌മെൻ്റ് ദൈർഘ്യം, സിംഗിൾ സ്പീക്കർ വ്യക്തത, പ്രായവും സാമൂഹിക-സാമ്പത്തിക നിലയും ഉൾപ്പെടെയുള്ള വിശദമായ മെറ്റാഡാറ്റ എന്നിവയിൽ ഓഡിയോ മാനദണ്ഡങ്ങൾ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. ട്രാൻസ്ക്രിപ്ഷൻ മാനദണ്ഡങ്ങൾ ടാഗ് കൃത്യത, പദത്തിൻ്റെ കൃത്യത, ശരിയായ സെഗ്മെൻ്റ് വിശദാംശങ്ങൾ എന്നിവയ്ക്ക് ഊന്നൽ നൽകുന്നു. ഒരു ഓഡിയോ ബാച്ചിൻ്റെ 20% ൽ കൂടുതൽ ഈ മാനദണ്ഡങ്ങൾ പരാജയപ്പെടുകയാണെങ്കിൽ, അത് നിരസിക്കപ്പെടുമെന്ന് സ്വീകാര്യത മാനദണ്ഡം അനുശാസിക്കുന്നു. 20%-ത്തിൽ താഴെയുള്ള പൊരുത്തക്കേടുകൾക്ക്, സമാന പ്രൊഫൈലുകളുള്ള റിപ്ലേസ്മെൻ്റ് റെക്കോർഡിംഗുകൾ ആവശ്യമാണ്.

ഡാറ്റ ട്രാൻസ്ക്രിപ്ഷൻ

വാക്കുകൾ വ്യക്തവും മനസ്സിലാക്കാവുന്നതുമാകുമ്പോൾ മാത്രമേ ട്രാൻസ്‌ക്രിപ്ഷൻ മാർഗ്ഗനിർദ്ദേശങ്ങൾ കൃത്യതയ്ക്കും പദാനുപദ ട്രാൻസ്ക്രിപ്ഷനും ഊന്നൽ നൽകുന്നു; പ്രശ്‌നത്തെ അടിസ്ഥാനമാക്കി വ്യക്തമല്ലാത്ത വാക്കുകൾ [മനസ്സിലാക്കാൻ കഴിയാത്ത] അല്ലെങ്കിൽ [കേൾക്കാനാവാത്ത] എന്ന് അടയാളപ്പെടുത്തിയിരിക്കുന്നു. ദൈർഘ്യമേറിയ ഓഡിയോയിൽ വാക്യത്തിൻ്റെ അതിരുകൾ അടയാളപ്പെടുത്തിയിരിക്കുന്നു , കൂടാതെ വ്യാകരണ പിശകുകളുടെ പാരാഫ്രേസിംഗ് അല്ലെങ്കിൽ തിരുത്തൽ അനുവദനീയമല്ല. വെർബാറ്റിം ട്രാൻസ്‌ക്രിപ്‌ഷൻ പിശകുകൾ, സ്ലാംഗുകൾ, ആവർത്തനങ്ങൾ എന്നിവ ഉൾക്കൊള്ളുന്നു, പക്ഷേ തെറ്റായ തുടക്കങ്ങൾ, ഫില്ലർ ശബ്‌ദങ്ങൾ, ഇടർച്ചകൾ എന്നിവ ഒഴിവാക്കുന്നു. പശ്ചാത്തലവും മുൻവശത്തുള്ള ശബ്ദങ്ങളും വിവരണാത്മക ടാഗുകൾ ഉപയോഗിച്ച് ട്രാൻസ്ക്രൈബ് ചെയ്യപ്പെടുന്നു, അതേസമയം ശരിയായ പേരുകളും ശീർഷകങ്ങളും നമ്പറുകളും നിർദ്ദിഷ്ട ട്രാൻസ്ക്രിപ്ഷൻ നിയമങ്ങൾ പാലിക്കുന്നു. ഓരോ വാക്യത്തിനും സ്പീക്കർ ലേബലുകൾ ഉപയോഗിക്കുന്നു, കൂടാതെ അപൂർണ്ണമായ വാക്യങ്ങൾ സൂചിപ്പിക്കും.

പ്രോജക്റ്റ് വർക്ക്ഫ്ലോ

വർക്ക്ഫ്ലോ ഓഡിയോ ട്രാൻസ്ക്രിപ്ഷൻ പ്രക്രിയയെ വിവരിക്കുന്നു. ഇത് ഓൺബോർഡിംഗും പരിശീലന പങ്കാളികളുമായി ആരംഭിക്കുന്നു. QA പ്ലാറ്റ്‌ഫോമിലേക്ക് അപ്‌ലോഡ് ചെയ്യുന്ന ആപ്പ് ഉപയോഗിച്ച് അവർ ഓഡിയോ റെക്കോർഡ് ചെയ്യുന്നു. ഈ ഓഡിയോ ഗുണനിലവാര പരിശോധനകൾക്കും സ്വയമേവയുള്ള വിഭജനത്തിനും വിധേയമാകുന്നു. ടെക് ടീം പിന്നീട് ട്രാൻസ്ക്രിപ്ഷനായി സെഗ്മെൻ്റുകൾ തയ്യാറാക്കുന്നു. മാനുവൽ ട്രാൻസ്ക്രിപ്ഷനുശേഷം, ഒരു ഗുണനിലവാര ഉറപ്പ് ഘട്ടമുണ്ട്. ട്രാൻസ്ക്രിപ്ഷനുകൾ ക്ലയൻ്റിലേക്ക് ഡെലിവറി ചെയ്യുന്നു, സ്വീകരിക്കുകയാണെങ്കിൽ, ഡെലിവറി പൂർത്തിയായതായി കണക്കാക്കും. ഇല്ലെങ്കിൽ, ക്ലയൻ്റ് ഫീഡ്‌ബാക്ക് അടിസ്ഥാനമാക്കിയാണ് പരിഷ്‌ക്കരണങ്ങൾ നടത്തുന്നത്.