泛領(lǐng)域標注規(guī)范及標準

一．簡單介紹

本音頻內(nèi)容是客服對話電話語音數(shù)據(jù)。利用工具，對語音進行標注。標記時間戳，隔開一個一個的語音段，然后對每個語音段，分別標注說話人身份、文本內(nèi)容、說話人性別和情緒。

注意只轉(zhuǎn)寫實實在在的人講話的聲音，視頻、電視里面的講話聲音不用轉(zhuǎn)寫。但是根據(jù)數(shù)據(jù)類型來判斷。夾雜在主持人講話中的開頭或者中間的一些視頻播音片段，無效不轉(zhuǎn)寫；如果整段音頻都是視頻類語音，比如電視劇等，就可以全部轉(zhuǎn)寫。

二．操作步驟及方法

1. 首先登錄網(wǎng)址：http://182.92.174.146:5500/，登錄界面如下圖，用給定的賬號和密碼登錄；

2. 登錄進去之后，選擇申請任務，選擇項目名稱的任務，然后同意保密協(xié)議，就進入工作頁面開始工作；

3. 工作頁面如下圖所示，具體的切分標注步驟如下：

1) 首先，框1是音頻的播放區(qū)域，如果沒有勾選播放分區(qū)模式，點擊音頻波形，音頻會從點擊的位置開始播放。如果勾選播放分區(qū)模式，音頻會從本段的起始位置開始播放；

2) 然后判斷音頻是否有效，如果無效選擇無效，判斷無效原因即可，如果有效再繼續(xù)標注文本框2中屬性；

3) 其次，在文本框4中轉(zhuǎn)寫文本，并在需要的時候添加文本框3中的標簽，本段轉(zhuǎn)寫完畢點擊保存按鈕，切分標注好的段落會顯示在文本框5中；（編輯文本是播放暫停的快捷鍵是Alt+m，常用這個會事半功倍哦）

4) 最后，整段音頻都切分標注完畢，點擊右上角的提交按鈕即可。

三．切分標注的標準

3.1 時間戳標記

a) 根據(jù)語義和停頓時間等因素，在音頻信號中每一句話的句首和句尾分別添加時間邊界,拖動鼠標即可添加。

b) 如果同一說話人說話時間較長，則應根據(jù)其語義來增加時間邊界，每個時間段的長度最多不能超過15s，但斷句也不要太散太短。

c) 一個語音段應該包含一個或多個完整的句子。例如“我想去吃飯”不能被分割為“我想去”和“吃飯”。

d) A說完改成B說后，在A和B之間要分割（一個語音段只能包含一個說話人）

e) 在進行語音切分過程中，有效語音前、后應盡量保留一定靜音部分（一般不得少于20ms），注意切分時邊界位置盡量準確，一般不應切到有效語音上。兩段之間如存在靜音，應為前后段保留一定靜音。在連續(xù)語音中放置邊界時，若無明顯停頓，切分標記要放在中間，不要傷害有效語音,即不要貼著音頻切。

一個人的語音為一個段落，不同說話人之間要分開，每個段落前后留不少于20ms（20ms其實很短就是為了不要切到語音上）的停頓不要貼著音頻切。

1.：兩段間小于等于5秒，停頓平分到前后段落

2.：兩段間停頓大于5秒，中間多余停頓部分無效且添加相應標簽

f) 只有一個字表示應答的，如語音沒有overlap（重疊），則單獨分割成獨立語音段（如：嗯、哦、對）；如有overlap，則標記主說話人語音，并在存在overlap的段落加overlap標記

3.2文本標注規(guī)范

a) 錄音轉(zhuǎn)寫的第一要求

忠實地按照音頻錄音念什么就轉(zhuǎn)寫成什么的原則，如真實發(fā)音為“我們?nèi)ツ哪睦锇　?，“哪”字有重復，就要忠實地錄成“我們?nèi)ツ哪睦锇　薄?/span>

g) 口音問題

由于口音或個人習慣導致的音變，按普通話標注音錄入。多音字或者生活中有不同發(fā)音的字，也按照普通話標注音錄入。例如，“辦公室”的“室”，有人說成“shi3”,有人說成“shi4”，都要錄成“辦公室”

h) 數(shù)字

數(shù)字符號應完全按照其讀音轉(zhuǎn)寫成對應的漢字，例如：”5256”->”五千二百五十六”，”2004”->”二零零四”或”兩千零四”，”19%”->”百分之十九”等。其中“1”轉(zhuǎn)“一”或者“幺”，根據(jù)真實發(fā)音錄入。

i) 英文單詞或作為單詞發(fā)音的縮寫詞

對于英文單詞，或者作為單詞發(fā)音的縮寫詞，如果其發(fā)音是按照一個單詞來發(fā)音的，請直接轉(zhuǎn)寫，注意字母間要加空格。英文單詞小寫格式，字母大寫且空格。

例如，“hello”、“G D P”P P T Q Q 等。hello kitty

Eg：您的Q Q郵箱是多少？遇到說網(wǎng)址的@要寫@。

如果出現(xiàn)拼音拼讀的，將聲母韻母分開轉(zhuǎn)寫聲母+下劃線_+py+字，如，勝利，轉(zhuǎn)寫為：sh_py eng_py勝l_py i_py利

j) 標點符號

只采用‘，’ 、‘。’、‘？’和‘！’ 即只能使用逗號，句號，問號，感嘆號。

句尾需要加標點且句尾標點不要是逗號。

k) 專有名詞

所有的專有名詞，包括人名、地名等，詳細規(guī)范說明如下：

§ 人名

對于熟知的知名人士的名字或地名，必須用該知名人士的名字來轉(zhuǎn)錄。

例如，“郭德綱的相聲很不錯”，就不能轉(zhuǎn)錄成“郭德剛”。

“阿里巴巴邀請白舉綱參加來往活動”，不能是“白句剛”。

而對于泛泛的名字，則都要用最常見的文字來標記。

例如，用“王小明”，不用“王曉明”，更不能用“王瀟銘”（這個太偏僻了）。

§ 中國的地名

與人名的轉(zhuǎn)錄規(guī)則類似。

§ 機構(gòu)名稱

與人名的轉(zhuǎn)錄規(guī)則類似。

l) 兒化音

需要把“兒”這個字標注出來。

例如，“這個小孩兒”（當此語音的兒化音很明顯的時候）。

m) 填充語氣詞

填充語氣詞是指示說話者說話中的猶豫，或者說話者在思考下面該說什么時，用來保持發(fā)音連貫所使用的詞，例如’呃’，’唔’，’呵’，‘嗯’等。語氣詞應該基本帶有口字旁。

ei誒，唉ai 哎

3.3 數(shù)據(jù)標注標記

a) 標注中使用的標記：

l (noise) 噪聲。

u 說話人發(fā)出的突發(fā)噪聲：

由說話者發(fā)出的噪聲可能有以下5種，分別對應呼吸聲、咳嗽聲、笑聲、噴嚏聲和其他由嘴唇發(fā)出的聲音。

u 錄音及電信系統(tǒng)引起的噪聲

包括電話按鍵音、電話忙音、錄音系統(tǒng)的其他噪音等，都是通信系統(tǒng)主動發(fā)出的聲音（但沒有人或機器的說話聲），而不是摘機、掛機或干擾帶來的咔啦或呲呲雜音。

u 背景發(fā)出的突發(fā)噪聲：

此處的背景發(fā)出的噪聲專指由非說話人（背景）發(fā)出的具有突發(fā)性的噪聲。如出現(xiàn)在說話聲之間的掌聲、關(guān)門聲、汽車鳴笛聲、狗叫聲等。

n 持續(xù)的音樂聲

u 唱歌聲（有歌詞和旋律）

u 哼唱（沒有歌詞，但有旋律）

u 口哨聲

u 可能是別人唱歌、演奏，也可能是背景的電視、收音機發(fā)出的音

樂和歌聲

u 包括持續(xù)時間較長的彩鈴聲

l (unk) 為無效文本內(nèi)容。

n 難以理解的段落

有時音頻文件的某一部分很難或不能理解其對應的文本，例如由聲音不清晰或者方言發(fā)音造成的難以理解的語音。

n 聽不懂的外語發(fā)音

n 方言

l  (sil) 如出現(xiàn)明顯停頓，則標記停頓標簽，建議5秒。

l (~)用波浪號表示語句中存疑的個別字詞。

l (overlap)語音重疊

關(guān)于ovelap標簽的使用：overlap用于兩個或幾個人說話重疊時，轉(zhuǎn)寫出主要說話人的語音內(nèi)容，選中重疊的部分，點擊添加overlap標簽，

這時在語音前后會出現(xiàn)兩個標簽，也就是兩個標簽中間的部分是重疊語音段（這個語音段是主要說話人的語音內(nèi)容）

b) 段落屬性標記：

l 有效性：篩選階段對音頻進行有效性篩選；如果是無效語音，則后面的標記就不用考慮了。

l 說話人身份：客戶1，客戶2等依次類推;

l 性別：[F]/[M];

l 口音：有口音/無口音; 按照有無明顯口音為標準

l 背景噪音（底噪）：整個音頻有連續(xù)性背景噪音/整個音頻無連續(xù)性背景噪音，包括敲打鍵盤聲音、其它人聲音、電視背景音、汽車聲音等; 按照是否明顯判定。

l 起止時間： 拖動鼠標進行截取

l 情緒：正面/平靜/負面.

l 異常音：是；否。比如音量截幅，設(shè)備持續(xù)雜音等，都屬于異常情況。

l 說話方式：正常；不正常。比如大聲喊叫，洋腔怪調(diào)等，都屬于不正常的說話方式。

l 說話人類型：正規(guī)播報；口語播報。一般都選擇口語播報，類似于新聞聯(lián)播的選擇正規(guī)播報。

c) 標點符號：只能使用逗號，句號，問號，感嘆號。

3.4 說話人身份

說話人層中標注該段語音的說話人的身份。在選擇說話人身份時

1.正常的客服客戶對話，正常選擇客服客戶；

2.主持人和采訪者的對話，主持人選擇客服，采訪者選擇客戶；

3.不能分辨客服，客戶，也不是在主持人訪談的，就統(tǒng)一選擇客戶。

第一個出現(xiàn)的客服講話，選客服1，第二個出現(xiàn)的選擇客服2，以此類推；第一個出現(xiàn)的客戶講話選客戶1，第二個出現(xiàn)的客戶選客戶2，以此類推。

常見問題解析：

1． 斷句

根據(jù)語義和說話人身份分段，每段不超過15秒，并且每段只包含一個說話人，不能把一句話分成兩半，盡量保證語義完整。但也不要切分的過細，一個人說話不超過15秒的可以放在一段。

2． 標簽

noise和底噪的區(qū)別

noise是短促突發(fā)的噪聲，底噪是背景持續(xù)存在的噪聲

noise和sil的區(qū)別

大于五秒的停頓需要單獨成段，選無效，根據(jù)是否有背景噪音來選noise或者sil

unk和~的區(qū)別

這兩個都可以代表聽不清聽不懂的字或者詞。不同點是小于5個字的話直接用~來代替；如果大于五個字的話就需要單獨成段，選無效標unk了。

unk不會和文本混在一起用也就是5個字以上聽不懂單獨成段，選用標簽unk。

3． 文本

不能丟字漏字，不能寫錯別字，有口音的不改字，語氣詞不能省略并且不能出現(xiàn)錯別字。

無效的沒有15秒的時間限制，只要是無效的比如持續(xù)20秒的噪音可以放在一起。

本次注意：

1.方言嚴重聽不清的無效

2.多人說話重疊部分能分清主次的寫主要說話人加overlap，分不清主次的無效

3.能明確是客服客戶對話的標客服和客戶，要不第一個人標客戶一，第二個人標客戶二，以此類推

4.整個包大部分是音樂，方言還很嚴重，只能聽清三五個字的，整包無效即可

5.回聲和人說話重疊部分無效，單純的回聲也不用轉(zhuǎn)寫直接無效，大家注意哈