如何建立人為標記的轉譯
人為標記的轉譯是音訊檔案的逐字轉譯。 您可以使用人為標記的轉譯來改善辨識精確度，尤其是在文字遭到刪除或取代不正確時。 本指南可協助您建立高品質的轉譯。
需要大量謄寫數據樣本，才能改善辨識。 我們建議提供 1 到 20 小時的音訊數據。 語音服務會使用最多 20 小時的音訊進行訓練。 本指南有美式英文、中文和德文地區設定的章節。
所有 WAV 檔案的轉錄內容皆應包含在單一純文字檔案中 (.txt or .tsv)。 轉譯檔案的每一行都包含其中一個音訊檔案的名稱，後面接著對應的轉譯。 檔名和轉譯會以索引標籤 （\t） 分隔。
例如：
speech01.wav speech recognition is awesome
speech02.wav the quick brown fox jumped all over the place
speech03.wav the lazy dog was not amused
文字轉譯會正規化，讓系統可以處理這些文字。 不過，您必須先執行一些重要的正規化，才能上傳數據集。
英文和普通話以外的語言人類標記轉譯，必須是以位元組順序標記編碼的UTF-8。 如需其他地區設定轉譯需求，請參閱下列各節。
zh-TW
只有使用 ASCII 字元，才能以純文字形式提供英文音訊的人工標記轉譯。 避免使用 Latin-1 或 Unicode 標點符號字元。 從文字處理應用程式複製文字或從網頁擷取數據時，通常會不小心新增這些字元。 如果存在這些字元，請務必使用適當的 ASCII 替代來更新它們。
以下是一些範例：
| 要避免的字元 | Substitution | 備註 |
|---|---|---|
| “Hello world” | "Hello world" | 開頭和結尾引號會以適當的 ASCII 字元取代。 |
| 約翰的一天 | 約翰的一天 | 單引號會取代為適當的 ASCII 字元。 |
| 很好— 不， 太好了！ | 太好了，不，太好了！ | em dash 會以兩個連字元取代。 |
美式英文的文字正規化
文字正規化是將文字轉換成定型模型時所使用的一致格式。 不過，某些正規化規則會自動套用至文字，不過，當您準備人工標記的轉譯數據時，建議您使用這些指導方針：
- 用文字寫出縮寫。
- 以單字寫出非標準數值字串（例如會計詞彙）。
- 非字母字元或混合英數位元應轉譯為發音。
- 不應編輯發音為單字的縮寫（例如“雷達”、“鐳射”、“RAM”或“北約”）。
- 寫出發音為個別字母的縮寫，每個字母都以空格分隔。
- 如果您使用音訊，將數位轉譯為符合音訊的文字（例如，“101”可以發音為“一哦一”或“一百一個”。
- 避免重複字元、單字或單字群組三次以上，例如「是是是」。 語音服務可能會卸除具有這類重複的行。
以下是您應該在轉譯上執行的一些正規化範例：
| Original text | 正規化後的文字 （人類） |
|---|---|
| 布魯斯·橫幅博士 | 布魯斯醫生橫幅 |
| 詹姆斯·邦德，007 | 詹姆斯·邦德，雙哦七 |
| Ke$ha | Kesha |
| 2x4 的長度 | 兩到四個多久 |
| 會議從下午 1 點到 3 點舉行 | 會議從下午一到三點 |
| 我的血型是 O+ | 我的血型是 O 陽性 |
| 水是 H20 | 水是 H 2 O |
| Play OU812 by Van Halen | 播放 O U 8 1 2 由范海倫 |
| 具有 BOM 的 UTF-8 | U T F 8 與 BOM |
| 成本 $3.14 | 成本為314 |
下列正規化規則會自動套用至轉譯：
- 使用小寫字母。
- 拿掉單字內單引號以外的所有標點符號。
- 將數字展開成單字/口語形式，例如美元金額。
以下是自動在轉譯上自動執行的一些正規化範例：
| Original text | 正規化後的文字 （自動） |
|---|---|
| “聖牛！ | 聖牛說蝙蝠俠 |
| “什麼？ | 什麼說蝙蝠俠的側邊克羅賓 |
| 去取得 -em！ | go get em |
| 我雙關節 | 我雙關節 |
| 104 埃爾姆街 | 一哦四埃爾姆街 |
| 微調為 102.7 | 微調到一哦二分七 |
| Pi 大約 3.14 | pi 大約三分一四 |
de-DE
德文音頻的人類標記轉譯必須是以位元組順序標記編碼的 UTF-8。
德文文字正規化
文字正規化是將文字轉換成定型模型時所使用的一致格式。 不過，某些正規化規則會自動套用至文字，不過，當您準備人工標記的轉譯數據時，建議您使用這些指導方針：
- 將小數點寫入為 “，”，而不是 “.”。
- 將時間分隔符寫入為 “：” 而非 “”。（例如：12：00 Uhr）。
- 不會取代 「ca.」 等縮寫。 我們建議您使用完整的口語形式。
- 移除四個主要數學運算子 （+、-、*和 /） 。 我們建議以書面形式取代它們：「加號」、「減號」、“mal”和“geteilt”。
- 比較運算子會移除 （=、 <、 和 >）。 建議使用 「gleich」、“kleiner als” 和 “grösser als” 取代它們。
- 以書面形式寫分數，例如 3/4（例如：“drei viertel”，而不是 3/4）。
- 以 「Euro」 的書面形式取代 「€」 符號。
以下是您應該在轉譯上執行的一些正規化範例：
| Original text | 用戶正規化后的文字 | 系統正規化后的文字 |
|---|---|---|
| Es ist 12.23 Uhr | Es ist 12：23 Uhr | es ist zwölf uhr drei und zwanzig uhr |
| {12.45} | {12,45} | zwölf komma vier fünf |
| 2 + 3 - 4 | 2 加 3 減 4 | zwei plus drei 減去維爾 |
下列正規化規則會自動套用至轉譯：
- 針對所有文字使用小寫字母。
- 拿掉所有標點符號，包括各種類型的引號（“test”、“test'、”test“和 «test» 都沒問題）。
- 捨棄此集合中任何特殊字元的數據列： ¢ ¦ ± ª © ª ！ ® ー μ × ÿ Ø.
- 將數位擴大為口語形式，包括美元或歐元金額。
- 只接受 、o 和您的 umlauts。 其他則由 「th」 取代或捨棄。
以下是自動在轉譯上自動執行的一些正規化範例：
| Original text | 正規化后的文字 |
|---|---|
| 法蘭克福環 | 法蘭克福環 |
| •Eine Frage！ | eine frage |
| Wir、haben | wir haben |
ja-JP
在日文 （ja-JP） 中，每個句子的長度上限為 90 個字元。 會捨棄具有較長句子的行。 若要新增較長的文字，請在 之間插入句點。
zh-CN
中文音訊的人類標記轉譯必須是以位元組順序標記編碼的UTF-8。 避免使用半角標點符號字元。 當您在文字處理程式中準備數據，或從網頁擷取數據時，可能會不小心包含這些字元。 如果這些字元存在，請務必使用適當的全角替代來更新它們。
以下是一些範例：
| 要避免的字元 | Substitution | 備註 |
|---|---|---|
| “你好” | “你好” | 開頭和結尾引號會以適當的字元取代。 |
| 需要什麼説明？ | 需要什麼説明？ | 問號會以適當的字元取代。 |
中文文字正規化
文字正規化是將文字轉換成定型模型時所使用的一致格式。 不過，某些正規化規則會自動套用至文字，不過，當您準備人工標記的轉譯數據時，建議您使用這些指導方針：
- 用文字寫出縮寫。
- 以口語形式寫出數值字串。
以下是您應該在轉譯上執行的一些正規化範例：
| Original text | 正規化后的文字 |
|---|---|
| 我今年 21 | 我今年二十一 |
| 3 號樓 504 | 三號 樓 五 零 四 |
下列正規化規則會自動套用至轉譯：
- 拿掉所有標點符號。
- 將數字展開為口語形式。
- 將全角字母轉換為半角字母。
- 針對所有英文單字使用大寫字母。
以下是自動轉譯正規化的一些範例：
| Original text | 正規化后的文字 |
|---|---|
| 3.1415 | 三 點 一 四 一 五 |
| ¥ 3.5 | 三 元 五 角 |
| w f y z | W F Y Z |
| 1992 年 8 月 8 日 | 一九 九 二 年 八 月 八 日 |
| 你吃飯了嗎？ | 你 吃飯 了 嗎 |
| 下午 5：00 的航班 | 下午 五點 的航班 |
| 我今年21歲 | 我 今年二十 一 歲 |