Casglu Data Sain

Diffiniad

Casglu data sain yw'r broses o gasglu recordiadau sain crai i hyfforddi a gwerthuso systemau AI. Gall data gynnwys lleferydd, cerddoriaeth, neu synau amgylcheddol.

Diben

Y pwrpas yw creu setiau data cynrychioliadol sy'n caniatáu i fodelau sain berfformio'n ddibynadwy ar draws acenion, amgylcheddau a dyfeisiau.

Pwysigrwydd

• Hanfodol ar gyfer hyfforddi systemau lleferydd a sain cadarn.
• Rhaid ystyried amrywiaeth (ieithoedd, amodau) er mwyn osgoi rhagfarn.
• Yn gofyn am fesurau preifatrwydd a chydsyniad cryf ar gyfer lleisiau wedi'u recordio.
• Mae ansawdd y casgliad yn effeithio ar berfformiad AI i lawr yr afon.

Sut Mae'n Gwaith

1. Diffinio'r nodau (e.e., adnabod lleferydd, canfod sain).
2. Dewiswch ddyfeisiau ac amgylcheddau recordio.
3. Recriwtiwch siaradwyr neu casglwch recordiadau naturiol.
4. Recordiwch sain wrth reoli sŵn ac ansawdd.
5. Storiwch recordiadau gyda metadata i'w defnyddio'n ddiweddarach.

Enghreifftiau (Y Byd Go Iawn)

• Gorchmynion Lleferydd Google: set ddata o orchmynion llafar a gasglwyd gan y dorf.
• UrbanSound8K: set ddata o synau amgylcheddol wedi'u labelu.
• LibriSpeech: corpws sy'n deillio o lyfrau sain ar gyfer ymchwil ASR.

Cyfeiriadau / Darllen Pellach

• Canllawiau Casglu Data Lleferydd — Consortiwm Data Ieithyddol.
• Setiau Data ar gyfer Adnabod Sain — Papurau Gyda Chôd.
• ISO/IEC TR 20547-5: Pensaernïaeth Cyfeirio Data Mawr — ISO.
• Casglu Data Sain – Shaip