ڪيس اسٽڊي: خودڪار تقرير جي سڃاڻپ
8k کان وڌيڪ آڊيو ڪلاڪ گڏ ڪيا ويا، 800 ڪلاڪ گھڻ لساني وائس ٽيڪنالاجي لاءِ نقل ٿيل
تعارف
هندستان کي هڪ پليٽ فارم جي ضرورت آهي جيڪا هندستاني ٻولين ۾ ڊجيٽل خدمتون مهيا ڪرڻ لاءِ گھڻ لساني ڊيٽا سيٽ ۽ AI-based ٻولي ٽيڪنالاجي حل ٺاهڻ تي ڌيان ڏئي. هن شروعات کي شروع ڪرڻ لاء، ڪلائنٽ شيپ سان گڏ گڏ ڪرڻ، ۽ هندستاني ٻولي کي گھڻ لساني اسپيچ ماڊل ٺاهڻ لاءِ نقل ڪرڻ لاءِ شريڪ ٿيو.
جلد
مسئلن
ڪلائنٽ کي هندستاني ٻولين لاءِ انهن جي اسپيچ ٽيڪنالاجي اسپيچ روڊ ميپ ۾ مدد ڪرڻ لاءِ، ٽيم کي AI ماڊل ٺاهڻ لاءِ وڏي مقدار ۾ تربيتي ڊيٽا حاصل ڪرڻ، ورهائڻ ۽ نقل ڪرڻ جي ضرورت هئي. ڪلائنٽ جون اهم گهرجون هيون:
ڊيٽا جو اسٽور
- حاصل ڪريو 8000 ڪلاڪ ٽريننگ ڊيٽا هندستان جي دور دراز هنڌن کان
- 20-70 سالن جي عمر جي گروپن مان اسپونٽاني تقرير گڏ ڪرڻ لاءِ فراهم ڪندڙ
- عمر، جنس، تعليم ۽ ٻولين جي لحاظ کان ڳالهائيندڙن جي هڪ متنوع ميلاپ کي يقيني بڻايو وڃي
- ھر آڊيو رڪارڊنگ گھٽ ۾ گھٽ 16kHz ھوندي 16 بِٽ/نمونءَ سان.
ڊيٽا جي نقل
اکرن ۽ خاص نشانين، اسپيل ۽ گرامر، ڪيپيٽلائيزيشن، مخففات، معاهدو، انفرادي ڳالهائيندڙ اکر، انگ، رموز، مخففات ۽ ابتڙ، ناانصافي تقرير، اڻ سمجھڻ واري تقرير، غير ھدف، ٻوليون ٻوليون.
معيار چيڪ ۽ موٽ
معيار جي تشخيص ۽ تصديق ڪرڻ لاء سڀ رڪارڊنگ، صرف تصديق ٿيل تقرير رڪارڊنگ کي پهچائڻ لاء
حل
ڳالهه ٻولهه واري AI جي اسان جي تمام گهڻي ڄاڻ سان، اسان ڪلائنٽ جي مدد ڪئي، آڊيو ڊيٽا گڏ ڪرڻ، ٽرانسڪرپشن ڪرڻ لاءِ ماهر ڪليڪٽرن، لسانيات ۽ تشريح ڪندڙن جي هڪ ٽيم سان هندستان جي ڏورانهن حصن مان آڊيو ڊيٽا جو وڏو ڪارپس ٺاهي.
شيپ لاءِ ڪم جو دائرو شامل هو پر اهو محدود نه هو ته وڏي مقدار ۾ آڊيو ٽريننگ ڊيٽا حاصل ڪرڻ، ڊيٽا کي نقل ڪرڻ ۽ لاڳاپيل JSON فائلن کي پهچائڻ جنهن ۾ ميٽاداٽا شامل آهن [ٻنهي ڳالهائيندڙ ۽ ٽرانسڪرز لاءِ. هر اسپيڪر لاءِ، ميٽا ڊيٽا ۾ شامل آهي هڪ گمنام اسپيڪر ID، ڊيوائس جا تفصيل، ڊيموگرافڪ معلومات جهڙوڪ جنس، عمر ۽ تعليم، ان سان گڏ انهن جو پن ڪوڊ، سماجي-اقتصادي حيثيت، ڳالهائيندڙ ٻوليون، ۽ انهن جي زندگي جي رهڻ جي مدت جو رڪارڊ. هر ٽرانسڪرائيبر لاءِ، ڊيٽا هڪ گمنام ٽرانسڪرر ID، ڊيموگرافڪ تفصيلن سان ملندڙ جلندڙ ڳالهائيندڙن جي، انهن جي ٽرانسڪرپشن جي تجربي جي مدت، ۽ انهن ٻولين جي مڪمل ٽوڙڻ کي شامل ڪري ٿو جيڪي اهي پڙهي، لکي ۽ ڳالهائي سگهن ٿا.
شيپ 8000 ڪلاڪن جو آڊيو ڊيٽا / خود بخود تقرير پيماني تي گڏ ڪئي ۽ پيچيده منصوبن لاءِ تقرير ٽيڪنالاجي کي تربيت ڏيڻ لاءِ گهربل معيار جي گهربل سطح کي برقرار رکندي 800 ڪلاڪن کي نقل ڪيو. هر شرڪت ڪندڙ کان واضح رضامندي فارم ورتو ويو. گڏ ڪيل / خود بخود تقرير يونيورسٽي پاران مهيا ڪيل تصويرن تي ٻڌل هئي. 3500 تصويرن مان، 1000 عام آهن ۽ 2500 ضلعي جي مخصوص ثقافت، تہوارن وغيره سان لاڳاپيل آهن. تصويرون مختلف ڊومينز جهڙوڪ ٽرين اسٽيشنون، مارڪيٽون، موسم، ۽ وڌيڪ کي ظاهر ڪن ٿيون.
ڊيٽا جو اسٽور
| رياست | ضلعن | آڊيو ڪلاڪ | ٽرانسڪرپشن (ڪلاڪ) |
|---|---|---|---|
| بهار | سارن، اوڀر چمپارن، گوپال گنج، سيتامڙھي، سمستي پور، دربھنگا، مدھي پور، ڀوپال، گيا، ڪشن گنج، ويشالي، لکيسرائي، سہارسا، سپول، ارريا، بيگوسرائي، جهان آباد، پورنيا، مظفرپور، جموئي | 2000 | 200 |
| اتر پرديش | ديوريا، واراناسي، گورکپور، غازي پور، مظفر نگر، ايٽه، همير پور، جيوتيبا ڦلي نگر، بودون، جالون | 1000 | 100 |
| راجسٿان | ناگور، چورو | 200 | 20 |
| اترپارڪر | ٽيهري ڳڙهه، اترڪاشي | 200 | 20 |
| چھڇيسگھ | بلاسپور، راءِ ڳڙهه، ڪبيرڌام، سرگوجا، ڪوربا، جشپور، راجنندگاون، بلرامپور، بستار، سکما | 1000 | 100 |
| اولھ بنگال | Paschim Medinipur, Malda, Jalpaiguri, Purulia, Kolkata, Jhargram, North 24 Parganas, Dakshin Dinajpur | 800 | 80 |
| جهانگير | صاحب گنج ، جامتارا | 200 | 20 |
| آھرا پردیش | گنٽور، چتور، وشاکاپٽنم، ڪرشنا، اننت پور، سريڪاڪولم | 600 | 60 |
| تيلنگانا | ڪريم نگر، نلگنڊا | 200 | 20 |
| گوا | اتر ۽ ڏکڻ گوا | 100 | 10 |
| ڪرناٽيڪا | دڪشين ڪناڊا، گلبرگا، دھرواد، بيلاري، ميسور، شيموگا، بيجاپور، بيلگام، رائچور، چمراج نگر | 1000 | 100 |
| مهاراشٽر | سنڌودرگ، ڌولي، ناگپور، پوني، اورنگ آباد، چندرپور، سولاپور | 700 | 70 |
| ڪل | 8000 | 800 | |
جنرل ھدايت جون
فارميٽ
- 16 kHz تي آڊيو، 16 بٽس/نموني.
- اڪيلو چينل.
- ٽرانسڪوڊنگ کان سواءِ خام آڊيو.
انداز
- خودبخود تقرير.
- يونيورسٽي پاران مهيا ڪيل تصويرن تي ٻڌل جملا. 3500 تصويرن مان، 1000 عام آھن ۽ 2500 ضلعن جي ثقافت، تہوار وغيره سان لاڳاپيل آھن. تصويرون مختلف ڊومينز جھڙوڪ ٽرين اسٽيشنون، مارڪيٽون، موسم ۽ وڌيڪ ڏيکارين ٿيون.
رڪارڊنگ پس منظر
- هڪ خاموش، گونج آزاد ماحول ۾ رڪارڊ ٿيل.
- رڪارڊنگ دوران سمارٽ فون جي خرابي (وائبريشن يا نوٽيفڪيشن) ناهي.
- ڪابه تحريف جهڙوڪ ڪلپنگ يا پري فيلڊ اثرات.
- فون مان vibrations ناقابل قبول؛ خارجي وائبريشنز قابل برداشت هوندا آهن جيڪڏهن آڊيو صاف هجي.
اسپيڪر جي وضاحت
- عمر جي حد 20-70 سالن جي وچ ۾ متوازن صنفي تقسيم سان هر ضلعي ۾.
- هر ضلعي ۾ گهٽ ۾ گهٽ 400 مقامي ڳالهائيندڙ.
- ڳالهائيندڙن کي پنهنجي گهر جي ٻولي/ ٻولي استعمال ڪرڻ گهرجي.
- سڀني شرڪت ڪندڙن لاءِ رضامندي فارم لازمي آھي.
معيار جي چڪاس ۽ نازڪ معيار جي ضمانت
QA پروسيس آڊيو رڪارڊنگ ۽ ٽرانسپشنز لاءِ معيار جي ضمانت کي ترجيح ڏئي ٿو. آڊيو معيار خاص خاموشي، ڀاڱي جي مدت، اڪيلو اسپيڪر جي وضاحت، ۽ تفصيلي ميٽا ڊيٽا سميت عمر ۽ سماجي-اقتصادي حيثيت تي ڌيان ڏئي ٿو. ٽرانسپشن جي معيار تي زور ڏئي ٿو ٽيگ جي درستگي، لفظ جي سچائي، ۽ صحيح ڀاڱي جي تفصيل. قبوليت جي معيار جو حڪم ڏئي ٿو ته جيڪڏهن 20 سيڪڙو کان وڌيڪ آڊيو بيچ انهن معيارن ۾ ناڪام ٿئي ٿي، اهو رد ڪيو ويو آهي. 20 سيڪڙو کان گھٽ فرقن لاءِ، ساڳين پروفائلن سان متبادل رڪارڊنگ جي ضرورت آھي.
ڊيٽا جي نقل
ٽرانسڪرپشن جي هدايتن جي درستگي ۽ لفظي ٽرانسڪرپشن تي زور صرف جڏهن لفظ صاف ۽ سمجھڻ وارا آهن؛ غير واضح لفظ نشان لڳل آهن [ناقابل فهم] يا [نا ٻڌڻ] مسئلي جي بنياد تي. ڊگھي آڊيو ۾ جملي جون حدون نشان لڳل آھن ، ۽ گرامر جي غلطين جي ڪا به وضاحت يا اصلاح جي اجازت نه آهي. لفظي ٽرانسڪرپشن غلطين، سلينگ، ۽ ورهاڱي کي ڍڪي ٿو پر غلط شروع، فلر آواز، ۽ اسٽٽر کي ختم ڪري ٿو. پس منظر ۽ پيش منظر شور وضاحتي ٽيگ سان نقل ٿيل آهن، جڏهن ته مناسب نالا، عنوان، ۽ انگ مخصوص ٽرانسپشن قاعدن جي پيروي ڪندا آهن. اسپيڪر ليبل هر جملي لاء استعمال ڪيا ويا آهن، ۽ نامڪمل جملن سان اشارو ڪيو ويو آهي.
پروجيڪٽ ورڪ فلو
ڪم فلو آڊيو ٽرانسپشن جي عمل کي بيان ڪري ٿو. اهو شروع ٿئي ٿو بورڊنگ ۽ تربيتي شرڪت ڪندڙن سان. اهي هڪ ايپ استعمال ڪندي آڊيو رڪارڊ ڪن ٿا، جيڪو QA پليٽ فارم تي اپ لوڊ ڪيو ويو آهي. هي آڊيو معيار جي چڪاس ۽ خودڪار ڀاڱي جي ذريعي گذري ٿو. ٽيڪني ٽيم وري نقل لاءِ حصا تيار ڪري ٿي. دستي ٽرانسپشن کان پوء، اتي هڪ معيار يقيني قدم آهي. ٽرانسپشن ڪلائنٽ تائين پهچائي رهيا آهن، ۽ جيڪڏهن قبول ڪيو وڃي، ترسيل مڪمل سمجهي ويندي آهي. جيڪڏهن نه، نظرثانيون ڪيون وينديون آهن ڪلائنٽ جي راءِ جي بنياد تي.
نتيجو
ماهر لسانيات جي اعليٰ معيار جي آڊيو ڊيٽا اسان جي ڪلائنٽ کي مختلف هندستاني ٻولين ۾ مختلف ٻولين سان گڏ مقرر وقت ۾ صحيح طور تي تربيت ڏيڻ ۽ گهڻ لساني اسپيچ ريڪگنيشن ماڊل ٺاهڻ جي قابل بڻائي ٿي. تقرير جي سڃاڻپ جا ماڊل استعمال ڪري سگھجن ٿا:
- ڊجيٽل شموليت لاءِ ٻوليءَ جي رڪاوٽ کي دور ڪريو شهرين کي انهن جي پنهنجي مادري ٻوليءَ جي شروعاتن سان ڳنڍڻ.
- ڊجيٽل گورننس کي فروغ ڏئي ٿو
- هندستاني ٻولين ۾ خدمتن ۽ پراڊڪٽس لاءِ هڪ ماحولياتي نظام ٺاهڻ لاءِ Catalyst
- عوامي دلچسپي جي ڊومين ۾ وڌيڪ مقامي ڊجيٽل مواد، خاص طور تي، گورننس ۽ پاليسي
اسان گفتگو واري AI دائري ۾ شيپ جي مهارت تي حيران آهيون. گهٽ ۾ گهٽ چوڻ لاءِ، 80 مختلف ضلعن ۾ 8000 ڪلاڪن جي آڊيو ڊيٽا سان گڏ 800 ڪلاڪن جي ٽرانسڪرپشن کي سنڀالڻ جو ڪم يادگار هو. اهو شيپ جي هن ڊومين جي پيچيده تفصيلن ۽ نزاڪتن جي گهري سمجھ هئي جنهن اهڙي چئلينجنگ منصوبي جي ڪامياب عملدرآمد کي ممڪن بڻايو. اعليٰ معيار کي يقيني بڻائڻ دوران ڊيٽا جي هن وڏي مقدار جي پيچيدگين کي بيحد منظم ڪرڻ ۽ نيويگيٽ ڪرڻ جي انهن جي صلاحيت واقعي قابل تعريف آهي.
