人为标记的听录内容是对音频文件的逐字听录。 使用人为标记的听录内容来评估模型的准确性和提高识别准确性，尤其是针对字词被删除或错误替换的情况。 本指南可帮助你创建高质量的听录。
建议使用具有代表性的听录数据样本来评估模型准确性。 数据应涵盖能代表用户对应用程序所说内容的各种说话者和话语。 对于测试数据，每个单独音频文件的最大持续时间为 2 小时。
需要大的听录数据样本来提高识别准确性。 建议提供 1 到 100 小时的音频数据。 语音服务使用长达 100 小时的音频进行训练（对于不收取训练费用的较旧模型，最长为 20 小时）。 每个单独音频文件不应超过 40 秒（对于 Whisper 自定义，最长为 30 秒）。
本指南分为“美国英语”、“中国大陆普通话”和“德语”三部分。
所有 WAV 文件的听录都包含在单个纯文本文件（.txt 或 .tsv）中。 听录文件的每一行都包含一个音频文件的名称，后接相应的听录。 文件名和听录以制表符 (\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
听录内容经过文本规范化，以便系统进行处理。 但是，在上传数据集之前，必须先进行一些重要的规范化处理。
除英语和中文普通话以外，其他语言的人为标记的听录内容都必须采用带字节顺序标记的 UTF-8 编码。 有关其他区域设置的听录要求，请参阅以下部分。
美国英语
英语音频的人为标记的听录必须以纯文本形式提供，仅使用 ASCII 字符。 避免使用拉丁语-1 或 Unicode 标点字符。 从文字处理应用程序中复制文本或从网页中擦除数据时，常常会无意中添加这些字符。 如果存在这些字符，请务必将其更新为相应的 ASCII 替代字符。
以下是一些示例：
| 要避免的字符 | 替换 | 备注 |
|---|---|---|
| “Hello world” | “Hello world” | 左引号和右引号替换为相应的 ASCII 字符。 |
| 约翰的一天 | 约翰的一天 | 撇号替换为相应的 ASCII 字符。 |
| 这不错—不，这太棒了！ | 这是不错的，不，这是太好了！ | 长划线替换为两个连字符。 |
美国英语的文本规范化
文本规范化是指将字词转换为在训练模型时使用的一致格式。 某些规范化规则会自动应用到文本，但我们建议你在准备人为标记的听录数据时遵循以下准则：
- 将缩写写成字词。
- 将非标准数字字符串写成字词（例如会计术语）。
- 应按照发音听录非字母字符或混合字母数字字符。
- 不应编辑可以作为字词发音的缩写（例如，“radar”、“laser”、“RAM”或“NATO”）。
- 将发音的缩写写成单独的字母，每个字母用单个空格分开。
- 如果使用音频，请将数字听录为与音频匹配的字词（例如“101”可以读作“one oh one”或“one hundred and one”）。
- 请避免将字符、单词或词组重复三次以上，例如“yeah yeah yeah yeah”。 语音服务可能会出现此类重复的行。
下面是应该对听录执行的规范化的一些示例：
| 原始文本 | 规范化后的文本（人工） |
|---|---|
| Dr.Bruce Banner | 布鲁斯·班纳博士 |
| 詹姆斯·邦德，007 | 詹姆斯·邦德，零零七 |
| Ke$ha | Kesha |
| 2x4 的长度是多少？ | 二乘四木方有多长？ |
| 会议从下午 1 点到 3 点开始 | 会议从下午一到三点 |
| 我的血液类型为 O+ | 我的血液类型为 O 阳性 |
| 水为 H20 | 水为 H 2 O |
| 播放范·海伦的OU812 | 播放 O U 8 1 2 由范·海伦 |
| 带有 BOM 的 UTF-8 | 使用 BOM 的 UTF-8 |
| 费用为 3.14 美元 | 成本为 3.14 |
以下规范化规则自动应用到听录：
- 使用小写字母。
- 删除除字词中撇号外的所有标点。
- 将数字扩展为字词/口语形式，例如美元金额。
下面是自动对听录执行的规范化的一些示例：
| 原始文本 | 规范化后的文本（自动） |
|---|---|
| “天啊！”蝙蝠侠说。 | 蝙蝠侠说：“天啊！” |
| 蝙蝠侠的小助手罗宾说道：“什么？” | 蝙蝠侠的搭档罗宾说了什么？ |
| 去获取 -em！ | 加油，去抓住他们！ |
| 我有双关节特征 | 我有双关节症 |
| 104 Elm 街 | 104埃尔姆街 |
| 调频到 102.7 | 调到一零二点七 |
| Pi 约为 3.14 | pi 大约是三点一四 |
德语
德语音频的人为标记的听录内容必须采用带字节顺序标记的 UTF-8 编码。
德语文本规范化
文本规范化是指将字词转换为在训练模型时使用的一致格式。 某些规范化规则会自动应用到文本，但我们建议你在准备人为标记的听录数据时遵循以下准则：
- 将小数点写为“,”，而不是“.”。
- 将时间分隔符写为“:”，而不是“.”（例如：12:00 Uhr）。
- 不会替换缩写，如“ca.”。 我们建议使用完整的口语形式。
- 删除四个主要的数学运算符（+、-、* 和 /）。 我们建议将其替换为文字形式：“plus”、“minus”、“mal”、“geteilt”。
- 删除比较运算符（=、< 和 >）。 我们建议其替换为“gleich”、“kleiner als”和“grösser als”。
- 将分数（例如 3/4）写成文字形式（例如，写成“drei viertel”而不是 3/4）。
- 将“€”符号替换为文字形式“Euro”。
下面是应该对听录执行的规范化的一些示例：
| 原始文本 | 用户规范化后的文本 | 系统规范化后的文本 |
|---|---|---|
| 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 减 4 | zwei plus drei minus vier |
以下规范化规则自动应用到听录：
- 对所有文本使用小写字母。
- 删除所有标点，包括多种引号（可以保留 "test"、'test'、"test„ 以及 «test»）。
- 删除包含下述任一特殊字符的行：¢ ¤ ¥ ¦ § © ª ¬ ® ° ± ² µ × ÿ ج¬。
- 将数字扩展为口语形式，包括美元或欧元金额。
- 仅接受 a、o、u 的元音变音符。 其他则替换为“th”或被废弃。
下面是自动对听录执行的规范化的一些示例：
| 原始文本 | 规范化后的文本 |
|---|---|
| 法兰克福环 | 法兰克福环 |
| ？Eine Frage！ | 一个问题 |
| Wir、haben | 我们有 |
日语
在日语 (ja-JP) 中，每个句子的最大长度为 90 个字符。 句子较长的行将被废弃。 若要添加更长的文本，请在中间插入一个句点。
普通话
中文（zh-cn）音频的人工标注的转录必须使用带字节顺序标记的 UTF-8 编码。 避免使用半角标点字符。 在文字处理程序中准备数据或从网页中擦除数据时，可能会无意中包括这些字符。 如果存在这些字符，请务必将其更新为相应的全角替代字符。
以下是一些示例：
| 要避免的字符 | 替换 | 备注 |
|---|---|---|
| "你好" | "你好" | 左引号和右引号替换为相应的字符。 |
| 需要什么帮助? | 需要什么帮助？ | 问号替换为相应的字符。 |
中国大陆普通话的文本规范化
文本规范化是指将字词转换为在训练模型时使用的一致格式。 某些规范化规则会自动应用到文本，但我们建议你在准备人为标记的听录数据时遵循以下准则：
- 将缩写写成字词。
- 用口语形式写数字字符串。
下面是应该对听录执行的规范化的一些示例：
| 原始文本 | 规范化后的文本 |
|---|---|
| 我今年 21 | 我今年二十一 |
| 3 号楼 504 | 三号 楼 五 零 四 |
以下规范化规则自动应用到听录：
- 删除所有标点。
- 将数字扩展为口语形式。
- 将全角字母扩展为半角字母。
- 对所有英语单词使用大写字母。
下面是自动听录规范化的一些示例：
| 原始文本 | 规范化后的文本 |
|---|---|
| 3.1415 | 三 点 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 |
| 你吃饭了吗? | 你 吃饭 了 吗 |
| 下午 5:00 的航班 | 下午 五点 的 航班 |
| 我今年 21 岁 | 我 今年 二十 一 岁 |