中国人读英语语音采集项目

2021-02-19 03:05:15

中英混读语音采集标注项目

本文档为“中英混读项目”实施规范，对语料制作、录音规范、标注规范做了详细说明，请根据具体要求内容进行实施。本项目共需要2000名录音人，每人录制450句。

数据量	1000小时；2000人
句数	每人450句，每句4s左右
性别	男女比例1:1
年龄	18~25岁70%，26~40岁20%，>40岁10%；可上下浮动5%
语言	普通话为主，每句夹杂数个（大部分在3个或以下）英文单词
地域分布	覆盖七大方言区，详见下方3.1.4地域分布具体要求
录音环境	相对安静的环境，无回声
录音工具	APP采集
语料	大约需要30万句，每句语料可重复3遍，详见下方具体要求
正确率	句正确率97%
交付内容	采集并标注

录音要求

3.1 录音人要求

要求说普通话，英文发音准确。符合条件的录音人录制语音数据，录音人需通过大学英语四级考试。

3.1.1发音标准：

发音清楚，避免说话不清、语速过快和有方言等现象。

例如：“我是北京人”发音为“e4（四声）shi4 bei3 jing1 ren2”

这里“我”的发音是属于方言式发音。

3.1.2性别比例：

男女比例为1:1。男女比例可以在1:1的基础上浮动5%（控制在45%到55%范围内）。

3.1.3年龄比例：

年龄段	比例范围
18~25岁	65%~75%
26~40岁	15%~25%
>40岁	5%~15%

3.1.4地域分布：

在录音人寻找的时候应控制在比例内。

方言区	范围	参考城市举例	比例

西南官话	中国西南的四川、重庆、贵州、云南等几乎全部的汉语地区以及陕西南部、甘肃南部、广西北部和湖南西北部、南部	重庆、成都、南充、绵阳、武汉、荆州、襄阳、孝感、遵义、贵阳、昆明、桂林、凉山、常德等	20%
吴语	江浙沪等省份	上海、温州、杭州、台州、宁波、金华、苏州等	10%
粤语	广东广西香港澳门等省份	广州、深圳、东莞、佛山、南宁、玉林、香港、澳门等	10%
闽语	福建、海南、台湾、广东等省份	泉州、福州、厦门、海口、三亚、万宁、台北、高雄、台中等	10%
湘语	湖南省	长沙、衡阳、邵阳、岳阳等	10%
赣语	江西、安徽、湖北等省份	上饶西部、宜春、南昌、吉安等	10%

※控制在比例范围内浮动。

注意事项：

1）口齿清楚，态度认真，避免说话结巴、大舌头、嗓音嘶哑等病理性发音的人。

2）参加录音的人必须事先了解录音要求（录音方法、录音环境、朗读要求、合格指标）。

3）每人只能录制一份该项目录音。如出现一人录制多份数据的现象将取消相应报酬。

4）录制人员对录音人的录音号段做好分配，避免号段重复使用。

3.3录音环境

相对安静的录音环境，不能有其他人说话的声音及其他噪音，无回音。

（避免在空旷的场地采集。例如：教室、礼堂、厕所、酒店大厅等）

周边噪音关联事项：

1）录音人外其他人的声音不采用。如有第二说话人的声音算无效。

2）其他噪音不采用。例如：摔东西的声音、喝水声、笑声、翻书的声音、音乐声、咳嗽声、车声等。

3.5录音人录音

1）普通话为主，每句夹杂数个（大部分在1-2个）英文单词，录制完450句。

2）自然的复述方式，自然流利清晰，禁止压低嗓子录音；禁止用耳语方式录音；禁止夸张语气，笑着说话。

3）录音人严禁刻意变声、模仿等说话方式。

4）说话人语速适中，吐字清楚不能每个字一停顿的说，尽量避免结巴。

5）手机离说话人嘴边距离在20-25厘米为宜。避免喷麦、和耳机采集的情况。

6）禁止在没有朗读完毕前抢停，如读错字、咳嗽、偶然噪音等现象应暂停录制，做准备后重新录制。

7）录音时，尽量以提供的原始句子为准。如果遇到不通顺或错字等影响正常朗读的句子，朗读时可稍作修改。

8）禁止一人多号，录制多个任务。450句必须由同一录音人完成。

9）朗读应为普通话方式，口音应为当地人自然发音习惯，不要讲方言。

3.6录音合格指标

数据采集完毕，项目负责人员要认真判断数据质量是否达到合格要求，并提醒录音人及时修改，如不满足以下指标均按照不合格处理。

相关指标项	具体说明
中文普通话夹杂英文	如方言口音较重或发音不清晰数据算无效
450句	不够450句算无效
每一句都朗读完整	抢停、或开始录制后不发音、句子录制不完整的情况算无效
环境安静	过大噪音、有第二说话人、回音等算无效。因不同设备硬件问题，降噪处理的方式不统一。如果噪音过大也算无效，但是有电流声等出现，如果不影响正常声音可算合格，相反有明显的算为无效处理。
录音人信息真实有效	录制前填写的录音人信息完整、真实，相反无效。例如：信息填写男、25，实际是男、35或女、25等。
一人录制450句	一人录制了多个号段算无效
音频格式完整、正确	格式不符合规定16KHz、16bit数据或无法播放算无效
※ 非录音人可控因素	音频因录制软件或硬件等非可控因素造成的音频丢帧、卡顿等现象，不记为采集错误。

※合格标准按指标全部达标算。

※补录及修正事项：

录音及转写过程发现的错误整理之后重新录音。原始录音人可以重新录音的直接重新录音，原始录音人不能重新录音的话采用相同的录音条件、方式和文本语料进行第二人录音。

1. 录音工具使用说明

4.1工具说明

录音工具为安卓和ios系统手机使用的APP，安装后在线下录制语音数据并支持在线上传到服务器。

Android:下载方式：（可以直接在复制在电脑或者手机端下载）

链接：http://crowdfile.blob.core.chinacloudapi.cn/package/Record_new.apk

Ios下载方式：（复制在手机浏览器下载，注意完整链接）

itms-services://?action=download-manifest&url=https://crowdfile.blob.core.chinacloudapi.cn/package/DTRecorderNew.plist

如弹出信任问题，请如下操作：

4.2使用步骤

提醒：在录音时请关闭手机上的通信程序，以保证在录音的时候出现意外的声音影响采集。例如：QQ、微信、微博、游戏等。同时关闭手机按键音，避免按键音录入到采集的音频内容里。如可以最好在打开飞行模式下采集，防止手机自身因信号问题出现的异常声音.（建议开启飞行模式）