人工智能业内普遍认为，语音将成为下一个重要的技术平台，近年来随着人工智能理论与技术的迅猛发展，语音识别（ASR）、语音合成（TTS）技术在不断突破。虽然理论技术取得了长足进步，但是在实际应用过程中仍绕不开数据标注这一话题，训练数据的准确性很大程度上影响了算法模型的表现。
两个月前，Mozilla 发布了其开源语音识别数据集项目 Common Voice 的最新版本，并宣布其已成为当前全球最大的人类语音数据集。接下来我们聊聊这些语音数据集是如何生产的。
有一篇文章比较详细地介绍了语音标注工具Praat的使用方法，我想说的是Praat真的非常难用，今天找到一款在web上运行的语音数据标注工具，京东做的并且开放了出来，可以自主配置
https://biao.jd.com/bz
1. 配置标注工具
添加描述
① 选择是否转写：即是否是需要将音频转写为文字。大部分都需要吧
② 最长语音切割时长：即最长需要标注几秒，视你的素材而定。把这个定义清楚，防止标注人员把语音切割过长。
③ 选择或增加分层：系统默认给出了常用的角色、性别，可以根据你的需要增加或减少分层
④ 判断项：可针对噪音、发音重叠等情况做特殊处理
⑤ 填写具体的标注规则，方便标注人员实时查看
2. 预览工具
添加描述
接下来你可以试用一下刚才配置的标注工具，可以转写音频，标注角色、性别、噪音等。可以拖拽时间段、播放每一段的音频，体验还是非常好的，标注效率也会大大提高。
3. 上传数据
按照系统要求上传待标注的语音数据，在此不做赘述。给大家两段语音测试用
4. 发布标注项目
添加描述
你可以在京东众智这个平台上选择一个标注团队为你标注，输入你要求的合格率、工期要求等等，和标注团队确定好价格和预付费就好了。工具使用费是给平台的，目前是免费。总的来说，一定是比找其他标注平台要更便宜的。
5. 验收与导出数据
标注团队完成标注后，你可以在线上验收标注结果，不合格的话可以回滚，让标注团队重新标注。结算之后就能导出数据了。
我与一些标注团队沟通过，转写一小时的语音大约要150-200元左右，当然还要看各位具体的需求和标注难度。希望未来大厂们将更多的语音数据开源出来推动科技进步，开源万岁！
