瞭解如何在 Google Cloud Speech 控制台中準備音訊和文字資料，以微調自訂 Speech-to-Text 模型。訓練資料的品質會影響所建模型的成效。您需要編寫多元的資料集，其中包含代表性的音訊和文字內容，這些內容與模型在實際工作環境中推論時的回應直接相關，包括噪音和不尋常的詞彙。
如要有效訓練自訂語音轉文字模型，您需要：
- 至少 100 小時的訓練資料，可以是只有音訊，也可以是音訊和對應的文字轉錄稿 (做為基準真相)。這項資料對於初始訓練階段至關重要，可讓模型瞭解語音模式和詞彙的細微差異。詳情請參閱「建立基本事實資料集」一文。
- 至少 10 小時的驗證資料，以及對應的文字轉錄稿做為基準真相。
事前準備
請確認您已註冊 Google Cloud 帳戶、建立 Google Cloud 專案，並啟用 Speech-to-Text API：
- 前往 Cloud Storage。
- 如果沒有值區，請建立一個。
建立資料集
如要建立資料集，您需要在所選的 Cloud Storage 值區中建立兩個子目錄。遵循簡單的命名慣例：
- 建立 training_dataset 子目錄，用來儲存所有訓練檔案。
- 建立 validation_dataset 子目錄，儲存所有訓練檔案。
- 請按照真值註解指南，在目錄中上傳音訊和文字檔案。
資料集指南
- 訓練和驗證都支援
.wav檔案格式 (適用於 LINEAR16 編碼的音訊檔案)，以及.txt檔案格式 (適用於文字檔案，如有)。避免在檔案名稱中使用非 ASCII 字元。 - 同一個目錄中的音訊檔案應以個別的 TXT 檔案提供，且每個檔案的名稱都應與對應的 WAV 檔案相同，例如 my_file_1.wav、my_file_1.txt。每個音訊檔案只能有一個轉錄稿檔案。
訓練資料
- 訓練用的所有檔案都必須位於同一個目錄中，不得有任何巢狀資料夾。
- 選用：如果可以，請提供音訊檔案的轉錄稿。不需要時間戳記。
- 確認音訊檔案的累計長度超過 100 小時。否則訓練工作會失敗。
以下範例說明上傳檔案做為訓練資料集後，目錄結構應呈現的樣貌：
├── training_dataset │ ├── example_1.wav │ ├── example_1.txt │ ├── example_2.wav │ ├── example_2.txt │ ├── example_3.wav (Note: Audio only instance, without corresponding text) │ └── example_4.wav (Note: Audio only instance, without corresponding text)
驗證資料
- 驗證用的所有檔案都位於名為 validation_dataset 的相同目錄中，且不含任何巢狀資料夾。
- 驗證音訊的長度不得超過 30 秒。
- 在個別的 TXT 檔案中，為同一個目錄中的每個音訊檔案提供真值轉錄稿。
以下範例說明上傳檔案做為驗證資料集後，目錄結構應呈現的樣貌：
├── validation_dataset │ ├── example_1.wav │ ├── example_1.txt │ ├── example_2.wav │ └── example_2.txt
真值註解規範
請參閱下列格式設定說明。
Numbers
基數和序數應僅以數字轉錄。
- 音訊：「一副撲克牌有 52 張牌，四種花色各有 13 個牌位，分別是方塊、紅心、黑桃和梅花」
- 基準真相文字：「一副撲克牌有 52 張牌，四種花色各有 13 個牌位，分別是方塊、紅心、黑桃和梅花」
貨幣和單位
請採用轉錄地區的常見書寫形式。數值後方的所有單位都必須使用縮寫。如果從上下文就能清楚推測出某個數字或數列是指貨幣或時間，請依照推測結果設定格式。
日期與時間
轉錄日期和時間時，請採用轉錄語言常用的格式。盡可能以 hh:mm 格式轉錄時間。
地址
轉錄時請使用地點、道路和州的全名，例如在說話者明確說出縮寫時，使用縮寫。轉錄實體和地點時，請在兩者之間加上逗號。
正確的名稱和重音符號
請使用正式的拼法和標點符號轉錄。如果某個人名可能有好幾種拼法，但上下文無法協助您選出適當的拼法，請使用最常見的拼法。
品牌、產品名稱和媒體標題
請採用官方格式和最常見的書寫方式轉錄。
感嘆詞
笑聲或其他非語音發語詞應轉錄為最多三個音節。如果笑聲出現在語音中，請完全忽略。 範例：
- 音訊：「ha ha ha ha ha」
- 實際文字：「hahaha」
多名說話者
請勿使用說話者標記分隔，因為系統通常不支援說話者區分。
後續步驟
請參閱下列資源，瞭解如何在應用程式中運用自訂語音模型：