Zbieranie danych dźwiękowych

Definicja

Gromadzenie danych audio to proces gromadzenia surowych nagrań dźwiękowych w celu trenowania i oceny systemów AI. Dane mogą obejmować mowę, muzykę lub dźwięki otoczenia.

Cel

Celem jest utworzenie reprezentatywnych zbiorów danych, które umożliwią modelom audio niezawodne działanie niezależnie od akcentów, środowisk i urządzeń.

Znaczenie

• Niezbędne do szkolenia solidnych systemów mowy i dźwięku.
• Należy wziąć pod uwagę różnorodność (języków, warunków), aby uniknąć stronniczości.
• Wymaga rygorystycznych środków ochrony prywatności i zgody w przypadku nagranych głosów.
• Jakość zbiorów ma wpływ na wydajność dalszych etapów sztucznej inteligencji.

Jak to działa

1. Zdefiniuj cele (np. rozpoznawanie mowy, wykrywanie dźwięku).
2. Wybierz urządzenia i środowiska nagrywania.
3. Zrekrutuj mówców lub zbierz nagrania naturalne.
4. Nagrywaj dźwięk, kontrolując poziom hałasu i jakość.
5. Przechowuj nagrania z metadanymi w celu późniejszego wykorzystania.

Przykłady (świat rzeczywisty)

• Google Speech Commands: zbiór danych dotyczących poleceń głosowych opracowanych w oparciu o crowdsourcing.
• UrbanSound8K: zbiór danych opisujących dźwięki środowiskowe.
• LibriSpeech: korpus danych oparty na audiobookach do badań nad ASR.

Odniesienia / Dalsza lektura

• Wytyczne dotyczące gromadzenia danych dotyczących mowy — Linguistic Data Consortium.
• Zestawy danych do rozpoznawania dźwięku — artykuły z kodem.
• ISO/IEC TR 20547-5: Architektura referencyjna dużych zbiorów danych — ISO.
• Zbieranie danych audio – Shaip