કેસ સ્ટડી: ઓટોમેટિક સ્પીચ રેકગ્નિશન

સામાન્ય દિશાનિર્દેશો

બંધારણમાં

• ૧૬ કિલોહર્ટ્ઝ પર ઓડિયો, ૧૬ બિટ્સ/નમૂના.
• સિંગલ ચેનલ.
• ટ્રાન્સકોડિંગ વિના કાચો ઑડિઓ.

શૈલી

• સ્વયંભૂ ભાષણ.
• યુનિવર્સિટી દ્વારા પૂરી પાડવામાં આવેલી છબીઓ પર આધારિત વાક્યો. 3500 છબીઓમાંથી, 1000 સામાન્ય છે અને 2500 જિલ્લા-વિશિષ્ટ સંસ્કૃતિ, તહેવારો વગેરે સાથે સંબંધિત છે. છબીઓ ટ્રેન સ્ટેશન, બજારો, હવામાન અને વધુ જેવા વિવિધ ક્ષેત્રોનું નિરૂપણ કરે છે.

રેકોર્ડિંગ પૃષ્ઠભૂમિ

• શાંત, પડઘા-મુક્ત વાતાવરણમાં રેકોર્ડ થયેલ.
• રેકોર્ડિંગ દરમિયાન સ્માર્ટફોનમાં કોઈ ખલેલ (વાઇબ્રેશન કે સૂચનાઓ) નહીં.
• ક્લિપિંગ અથવા દૂરના ક્ષેત્રની અસરો જેવી કોઈ વિકૃતિઓ નથી.
• ફોનમાંથી આવતા કંપનો અસ્વીકાર્ય છે; જો અવાજ સ્પષ્ટ હોય તો બાહ્ય કંપનો સહન કરી શકાય છે.

સ્પીકર સ્પષ્ટીકરણ

• જિલ્લા દીઠ સંતુલિત લિંગ વિતરણ સાથે વય શ્રેણી 20-70 વર્ષ સુધીની છે.
• દરેક જિલ્લામાં ઓછામાં ઓછા 400 મૂળ બોલનારા હોવા જોઈએ.
• વક્તાઓએ તેમની માતૃભાષા/બોલીનો ઉપયોગ કરવો જોઈએ.
• બધા સહભાગીઓ માટે સંમતિ ફોર્મ ફરજિયાત છે.

ગુણવત્તા તપાસ અને મહત્વપૂર્ણ ગુણવત્તા ખાતરી

QA પ્રક્રિયા ઑડિઓ રેકોર્ડિંગ્સ અને ટ્રાન્સક્રિપ્શન માટે ગુણવત્તા ખાતરીને પ્રાથમિકતા આપે છે. ઑડિઓ ધોરણો ચોક્કસ મૌન, સેગમેન્ટ અવધિ, સિંગલ-સ્પીકર સ્પષ્ટતા અને ઉંમર અને સામાજિક-આર્થિક સ્થિતિ સહિત વિગતવાર મેટાડેટા પર ધ્યાન કેન્દ્રિત કરે છે. ટ્રાન્સક્રિપ્શન માપદંડ ટેગ ચોકસાઈ, શબ્દની સત્યતા અને સાચી સેગમેન્ટ વિગતો પર ભાર મૂકે છે. સ્વીકૃતિ બેન્ચમાર્ક સૂચવે છે કે જો ઑડિઓ બેચનો 20% થી વધુ આ ધોરણોમાં નિષ્ફળ જાય છે, તો તે નકારવામાં આવે છે. 20% થી ઓછી વિસંગતતાઓ માટે, સમાન પ્રોફાઇલ્સ સાથે રિપ્લેસમેન્ટ રેકોર્ડિંગ્સ જરૂરી છે.

ડેટા ટ્રાન્સક્રિપ્શન

ટ્રાન્સક્રિપ્શન માર્ગદર્શિકા ચોકસાઈ અને શબ્દશઃ ટ્રાન્સક્રિપ્શન પર ભાર મૂકે છે જ્યારે શબ્દો સ્પષ્ટ અને સમજી શકાય તેવા હોય; અસ્પષ્ટ શબ્દોને મુદ્દાના આધારે [અસમજ] અથવા [અશ્રાવ્ય] તરીકે ચિહ્નિત કરવામાં આવે છે. લાંબા ઑડિઓમાં વાક્યની સીમાઓ ચિહ્નિત થયેલ છે , અને વ્યાકરણની ભૂલોના કોઈ પણ પ્રકારનો અનુવાદ અથવા સુધારણાની મંજૂરી નથી. વર્બેટિમ ટ્રાન્સક્રિપ્શન ભૂલો, અશિષ્ટ શબ્દો અને પુનરાવર્તનોને આવરી લે છે પરંતુ ખોટા શરૂઆત, ફિલર અવાજો અને સ્ટટર્સને બાકાત રાખે છે. પૃષ્ઠભૂમિ અને અગ્રભૂમિના અવાજો વર્ણનાત્મક ટૅગ્સ સાથે ટ્રાન્સક્રિપ્શન કરવામાં આવે છે, જ્યારે યોગ્ય નામો, શીર્ષકો અને સંખ્યાઓ ચોક્કસ ટ્રાન્સક્રિપ્શન નિયમોનું પાલન કરે છે. દરેક વાક્ય માટે સ્પીકર લેબલ્સનો ઉપયોગ કરવામાં આવે છે, અને અપૂર્ણ વાક્યો સાથે સૂચવવામાં આવે છે.

પ્રોજેક્ટ વર્કફ્લો

વર્કફ્લો ઓડિયો ટ્રાન્સક્રિપ્શન પ્રક્રિયાનું વર્ણન કરે છે. તે સહભાગીઓને ઓનબોર્ડિંગ અને તાલીમ આપવાથી શરૂ થાય છે. તેઓ એક એપ્લિકેશનનો ઉપયોગ કરીને ઓડિયો રેકોર્ડ કરે છે, જે QA પ્લેટફોર્મ પર અપલોડ કરવામાં આવે છે. આ ઓડિયો ગુણવત્તા તપાસ અને સ્વચાલિત વિભાજનમાંથી પસાર થાય છે. પછી ટેક ટીમ ટ્રાન્સક્રિપ્શન માટે સેગમેન્ટ્સ તૈયાર કરે છે. મેન્યુઅલ ટ્રાન્સક્રિપ્શન પછી, ગુણવત્તા ખાતરી પગલું છે. ટ્રાન્સક્રિપ્શન ક્લાયન્ટને પહોંચાડવામાં આવે છે, અને જો સ્વીકારવામાં આવે છે, તો ડિલિવરી પૂર્ણ માનવામાં આવે છે. જો નહીં, તો ક્લાયન્ટ પ્રતિસાદના આધારે સુધારા કરવામાં આવે છે.