面向 弱勢語種的語音數據

企業如何為低資源語種採集語音訓練數據?

答案是在當地對母語使用者進行實地錄音,因為根本沒有現成的數據可供抓取。一門低資源語言幾乎沒有,或完全沒有可用的公開語料——沒有大規模轉錄數據集,往往也沒有標準正字法,商業錄音更是寥寥無幾——因此數據必須被創造出來,而不是從既有資源中獲取。在實踐中,這意味著四件事:在這門語言真正被使用的地方招募發音人;圍繞方言與對話多樣性來設計採集方案,而不僅僅依賴朗讀式提示詞;由母語審核人員進行音素級精度的轉錄;以及依靠審核而非抽樣來完成質量校驗。Lifewood 通過包括宿務、馬來西亞及孟加拉國在內的亞太區域樞紐,在 50 多種語言、40 多個交付中心開展這項工作,並遵循 95% 以上的準確率服務承諾及 95% 以上的標註者間一致性閾值。這項採集工作會產生複合效益:一門弱勢語言的轉錄對話語音,同時也是這門語言稀缺的文本數據,因此一個項目能夠同時反哺語音模型與語言模型。

為什麼這在當下尤為重要

主流語音 AI 在低資源語種使用者身上的表現,會下降 20% 至 40%。這一差距的根源在於訓練數據,而非模型架構本身:菲律賓語、馬來語、孟加拉語、斯瓦希里語、約魯巴語,以及其他上百種語言,都沒有足夠的標註語音數據來訓練出能夠在這些語種中保持一致表現的模型。彌合這一差距,能夠為新興市場解鎖數十億用戶,並降低針對弱勢語種使用者的算法偏見。

Lifewood 覆蓋的 50 多種語言

Lifewood 分佈在菲律賓、馬來西亞、孟加拉國、中國、日本、塞爾維亞、英國及非洲的 40 多個交付中心,為我們帶來了覆蓋 50 多種語言(包括廣泛的低資源語種)的母語使用者資源。每種語言都配備了具備地方方言知識的本地母語標註人員,確保最終產出的數據集反映的是真實世界的語言使用方式,而非教科書裡的標準形式。

採集方式

錄音棚級朗讀語音。 依據受控提示詞集錄制的乾淨音頻,專為語音識別訓練及文本轉語音的音色建模而優化。

對話場景。 面向語音助手及客服自動化的多輪對話,涵蓋目標應用場景中的腳本化及即興對話。

真實環境實地採集。 在真實聲學環境中錄製的音頻,用於訓練具備噪聲魯棒性的語音識別及遠場語音系統。

眾包貢獻。 在 Lifewood 各中心分佈式採集,確保數據集的多樣性能夠反映地域、年齡及性別方面的均衡分佈。

質檢與準確性

每一份 Lifewood 語音語料庫,都由本地母語標註人員進行轉錄,依據音素級校準數據集進行校驗,並經過第二輪質檢環節,審核轉錄準確性及音頻潔淨度。各項目均遵循 95% 以上的準確率服務承諾,並通過統計抽樣及返工流程強制執行。

應用場景

Lifewood 的低資源語音數據,可為語音識別系統、語音助手及對話式 AI、文本轉語音訓練、語音克隆、說話人識別,以及情感感知語音模型提供支持。當客戶需要同時覆蓋兩種數據模態時,可與我們的 多語言數據採集項目 與 LLM 訓練數據服務 無縫結合使用。

質量與交付框架

所有語音項目均運行在 Lifewood 的 雙層質檢流程 與 六階段交付方法論。