תמלול למחקר שפה ולקורפוסים

למה חוקרים משתמשים בזה

• 100 קודי שפה, כולל שפות עם מעט משאבים כמו יידיש (yi), אמהרית (am), סווהילי (sw), יורובה (yo), מאורית (mi) והוואית (haw). הרשימה המלאה.
• זמני התחלה וסיום לכל מילה לעבודת יישור.
• תוויות דוברים (include_diarization) לחילופי תורות בראיון, או תווית לכל ערוץ בהקלטה מרובת מיקרופונים.
• תרגום התמלול לשפת עבודה במודלי Oracle, לצוותים שלא כולם קוראים את שפת המקור.

בקשה להקלטת ראיון

{
  "audio_url": "https://example.org/corpus/session-014.wav",
  "model": "oracle",
  "language": "yi",
  "word_timestamps": true,
  "include_diarization": true,
  "num_speakers": 2,
  "output_format": "json"
}

התוצאה ב־JSON כוללת segments[] עם start,‏ end,‏ speaker,‏ text ו־words[]. המרה ל־ELAN,‏ Praat TextGrid או CSV היא סקריפט קצר בצד שלכם; ה־API לא מייצא את הפורמטים האלה ישירות.

בדקו את הפלט לפני הניתוח

• תמלול מכונה הוא טיוטה ראשונה. תכננו תיקון אנושי לכל מה שמתפרסם או מתויג.
• הדיוק משתנה לפי שפה, ניב, איכות הקלטה ותחום, והוא נמוך יותר בשפות עם מעט אודיו לאימון. מדדו שיעור שגיאות מילים על מדגם מהקורפוס שלכם לפני שמתמללים את כולו.
• בהקלטות שמחליפות שפות, הגדירו language במפורש; זיהוי אוטומטי בוחר שפה אחת לכל קובץ.
• נרמלו כתיב (סימנים דיאקריטיים, מוסכמות כתיב) בשני הצדדים לפני חישוב שיעור שגיאות.

תקציב

קורפוס של 100 שעות עולה 48 דולר ב־base או 144 דולר ב־oracle, בחיוב לפי שנייה. קבוצות מחקר שצריכות חשבונית או תנאי היקף יכולות לפנות ל־KolWrite Enterprise.

שאלות ותשובות