语音数据标注规范V2.1.7【3项】-20141210(定稿)

语音数据标注规范V2.1.7【3项标注】2014-12-111、标注平台使用说明操作系统：操作系统是XP以上系统都可以。浏览器：请使用IE浏览器和搜狗浏览器步骤：(1)登录网址：(2)输入用户名及密码登陆后，先安装控件，请点击vs2008运行库。（注意安全卫士先退出）(3)点击“标注中”查看任务含新任务和被打回任务(4)在任务列表中，点击tagging，进入标注页面，下载安装控件进行标注说明：1)做完一句，直接点击“下一句”，系统自动保存，做完最后一句，点击“保存”按钮。2)临时有事，或系统突然中断，重新登录后，系统将自动跳转到上次标注的位置；3)当前账号标注完成后，可以点击“上一句”和“下一句”，对标注结果进行检查，确认没有问题后，点击提交验收；注意：提交验收后将不能再更改。4)每人有一次修改机会，共可提交2次。(5)在任务统计中，查看验收结果快捷键：键盘上的，可播放选中部分的声音。键盘上的和可实现上一句和下一句的切换。语音数据标注规范北京华语广源信息技术有限公司第2页共5页2、标注规范共标3项（文本、无效、性别）文本正确率：95%其它（无效+性别）正确率：95%2.1是否为无效语音无效：1、主体人声音的前面、或后面、或中间：有一段安静或噪声等非人声，长度在2秒以上（宽条是0.3秒）。【注意整句无人声的不是无效】2、声音是转格式转错的。无效语音，直接打勾，文本不用修改。有效：其它都是有效2.2性别类别分类定义男性别女童声童声指小孩非常稚嫩的声音，大概是在5岁以下的范围。大孩子的声音归到男女。其他没有人声，或者男女混声的统一规为其他2.2修改文本按钮显示：标注文本，目的是用普通话的耳朵把听到的“普通话或带口音的普通话”标成普通话文本，普通话的耳朵听不懂“方言”时，不要将“方言”翻译成普通话文本。类别规范语音数据标注规范北京华语广源信息技术有限公司第3页共5页文本校对一、文本书写规范1)如果标注员能听清，理解说话人的语意，要做到标注的字和音完全正确（包括说的话，唱歌的歌词、电视录音等，能听得出来的）。不知道该怎么写的字，要查字典，不能用同音字替换；如本人讲话带有口音，则要写成对应普通话的字。注意：姓名，姓，必须写对。名字可以任意。地名，能查到的地名必须写对。2)文本写成简体字，不要繁体字。3)阿拉伯数字要写成汉字的形式;注意：“一”和“幺”4）带儿话音的，要写出“儿”字，并且加括号。例如：我得了5分儿，文本要写成：我得了五分(儿),注意：不是儿化的不用加，如女儿，婴儿等不是儿话，就不能加在“儿”字上加括号。注意：如果自己不能准确判断发音是否有（儿），就自己发一下不带儿的音，对比看wav是否是不带儿的音。也可以只选中这一个音去判断。5)文本和声音一致，以声音为准改文本。不能出现多字、少字、错字。6)注意口语的字；口语中，结结巴巴说出的，要写出对应接接巴巴声音的字。口语中，“嗯”、“哦”、“啊””等，要准确对应文本。例：声音“呀”，不能写成：“啊”7)英文：说单词的写成单词，整个单词要小写。说字母的写成字母，要写成大写。英文单词发的不标准，如能听出是哪个单词，就写单词。注意：QQ、MSN，是字母发音，要写成大写。整句都是英文句子的情况：一句话中发音不清楚的单词，标#，发音清楚的单词必须写出单词。整句英文都听不清楚时，标为无效，不要整句标为#。英文用中文谐音写出来的，算错。如：black写成布莱克算错一些地名，人名按英文读的，需要写英文，如：Iamgongingtoshanghai不能写成“上海”其他国语言，发音如“萨瓦迪卡”，“阿尼哈塞呦”等必须标#8)不是重口音，而是发错音的，写成错的字。但注意不要将口音当成发错音。9）文本中标点符号不作要求。语音数据标注规范北京华语广源信息技术有限公司第4页共5页二、#在文本中的标注规范混音包括3类：1、当前电话通话的两个人同时说话，相混2、当前人声与较亮或尖锐的音乐声（如铃声、汽车喇叭）相混混音部分的标注方法：如果非主体人插话不影响对主体人说话的理解，标注员可以听出主体人说话的字，则要求写字。（不要出现一个音对应两个字）例如：非主体人插入的话，音量小、字数少，可忽略当成没听见。如果非主体人插话，造成标注员已听不出主体人混音部分的字，则要求混音部分标#。例如：非主体人插入的话，由于音量过大相混在一起，听不清主体的话，混的部分写#。如果音乐声相混，不影响对主体人说话的理解，标注员可以听出主体人说话的字，则要求写字。如果音乐声相混，造成标注员已听不出主体人混音部分的字，则要求混音部分标#。3：增加#的情况人声中出现突然间的大噪音且与人声不相混，包括铃声、叮声、咳嗽、扑话筒、有大的音乐背景等，写1个#。人声前边或后面出现一片乱乱的小声说话、持续的背景噪音，写#和不写#都可以。注意：安静的静音处，不能写#。如不确认是哪个字不清楚或混音，请用蓝条和黄条选中进一步确认。蓝条和黄条的功能有3个1）尺子，表示0.3秒，可以用于量取2秒判断无效。2）选中功能。选中的是播放蓝条最左端到黄条最右端的声音。当语速特别快时，建议分段选中去听，写下文本，正确率会提高。3）确定#在哪儿出现。其它注意：1）整句音频无人声：写一个#.（注意不是无效）2）听不懂的方言或除英语外的其它国语言，写为#。3）不是正常人的说话，象机器人或语音合成的声音；或录的电视里的播音；声音被破坏的；音量特别小，听几遍也听不清楚的；听得清楚的部分写成文本，听不清楚的部分写为#.4）发音出现拼音而不是英文时，如：a1bo1ci1de1，不能写成：abcd，应写#。5)笑着说的，能听清楚写文字，听不清楚写#。标准普通话与带口音的普通话对照表：类别定义特例举例说明无口音拼音、声调都正确轻口音拼音对，声调不对n和l不分；n和ng不分；z/c/s和那个，发音：la4ge5（标准na4ge5）电信，发音：dian4xing4（标准dian4xin4)平时，发音：pin2shi2（标准ping2shi2）语音数据标注规范北京华语广源信息技术有限公司第5页共5页zh/ch/sh不分属于轻口音政治，发音：zeng4zi4（标准zheng4zhi4）刚才,发音：gang1chai2（标准gang1cai2）重口音拼音不对（n和l不分；n和ng不分；z/c/s和zh/ch/sh不分）除外湖南，发音是fu2nan2（标准hu2nan2）歌曲，发音是guo1qu3（标准ge1qu3）