瞭解如何在 Google Cloud Speech 控制台中準備音訊和文字資料，以便微調自訂語音轉文字模型。訓練資料的品質會影響所建模型的成效。您需要編寫多樣化的資料集，其中包含代表性音訊和文字內容，這些內容與模型在實際工作環境中推論時會回應的內容直接相關，包括雜訊和不尋常的字彙。
如要有效訓練自訂 Speech-to-Text 模型，您需要：
- 至少 100 小時的音訊訓練資料，可以是純音訊，也可以是搭配對應文字轉錄稿的真值。這類資料對於初始訓練階段至關重要，可讓模型學習語音模式和字彙的細微差異。詳情請參閱「建立真實值資料集」一文。
- 至少 10 小時的音訊驗證資料，以及對應的文字轉錄稿做為基準真相的獨立資料集。
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。
- 如果還沒有值區，請先建立一個。
建立資料集
如要建立資料集，您必須在所選的 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，用於儲存所有訓練檔案。
- 建立 validation_dataset 子目錄，用於儲存所有訓練檔案。
- 請按照真值標註指南，在目錄中上傳音訊和文字檔案。
資料集指南
- 在訓練和驗證時，支援的檔案格式為
.wav(LINEAR16 編碼的音訊檔案) 和.txt(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，每個檔案的名稱都必須與對應的 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語音轉錄檔案。
訓練資料
- 訓練的所有檔案必須位於同一個目錄中，且不得有任何巢狀資料夾。
- 選用：如果有的話，請提供音訊檔案的轉錄稿。不需要時間戳記。
- 音訊檔案的累積音訊長度必須超過 100 小時。否則訓練工作將會失敗。
以下是檔案上傳為訓練資料集後，目錄結構應有的樣子：
├── 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
- 所有驗證檔案都會提供在同一個名為 validation_dataset 的目錄中，且不含任何巢狀資料夾。
- 驗證音訊長度不得超過 30 秒。
- 請在同一個目錄中，為每個音訊檔案提供真值轉錄稿，並儲存在個別的 TXT 檔案中。
以下是檔案上傳為驗證資料集後，目錄結構應有的樣貌：
├── validation_dataset │ ├── example_1.wav │ ├── example_1.txt │ ├── example_2.wav │ └── example_2.txt
真值標註指南
請參閱以下格式設定說明。
Numbers
基數和序數應只以數字轉錄。
- 音訊：「一副撲克牌有五十二張牌，四種花色各有十三張牌，分別是紅心、方塊、梅花和黑桃」
- 真值文字：「一副撲克牌有 52 張牌，四種花色 (方塊、紅心、梅花和黑桃) 各有 13 張牌」
貨幣和單位
在轉錄貨幣時，請採用轉錄地區的常見貨幣書寫形式。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代表貨幣或時間，請依照推測結果設定格式。
日期與時間
在轉錄日期與時間時，請採用轉錄語言常用的日期和時間格式。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，在轉錄實體和地點時，請在兩者之間加上逗號。
專有名詞和重音
請使用正式的拼法和標點符號進行轉錄。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
轉錄時，請採用官方格式和最常見的拼寫方式。
感嘆詞
笑聲或其他非語音發語詞，最多可轉錄三個音節。系統應完全忽略語音中的笑聲。範例：
- 音訊：「ha ha ha ha ha」
- 真實文字：「hahaha」
多名說話者
請勿使用講者標記將其分開，因為系統通常不支援 diarization。
後續步驟
請參閱下列資源，瞭解如何在應用程式中使用自訂語音模型：