数据标注规范

1. 有效性判断
对于整段合格的语音需按句截取进行标注，出现以下情况的判定为单句不合格不需要

进行截取：

1) 一句话中两个人说话重叠且声音大小接近，重叠部分较多，则标注为无效语音；

若重叠部分较少（仅一两个字），并且能听清主说话人的内容的正常转写；

2) 一句话有听不清楚的部分，不能判断内容的情况下，则该句无效；

3) 一句话有很强的噪音（环境噪音，设备噪音）导致听不清主说话人内容，则该句

判定为无效；

4) 一句话中存在丢帧的情况，则该句判定为无效；

5) 一句话如果不是正常人声（机器客服、合成声、电视广播声），则该句判定为无

效；

6) 一句话中若包含非本语言部分，则该句判定为无效；

7) 一句话中若涉及到敏感信息的（政治敏感、宗教敏感、色情暴力）的情况，则该

句判定为无效

2. 有效语音截取
1) 标注人员需要考虑语意连贯，以句为单位进行截取，太长的句子可以截取成分句，

每句最长不要超过 8 秒，但也不要太短。根据标注经验，每个自然语言段平均在

5-6 秒即可；

2) 每个时间边界的最佳位置在波形的最低点；

3) 不同说话人的语音不能截取在同一句中；

4) 截取时做标注的语音段周围尽量留 0.2~0.3 秒静音段，如本身没有这么长静音段

的情况不强求。尽可能截取没有突发噪音的语音段，可以为了避开突发噪音，而

缩短语音前后的预留时间，但不能出现切音的情况；

5) 只有一个词表示应答的，也需要截取，能相邻句子合并的尽量合并。

6) 若一句话因说话人停顿导致静音段在 2s 以上的，需截取成两个分句，不用考虑句

意；若停顿时间在两秒以下且单句时长不超过 8s 的截成一句。

7) 一个人说话中间停顿不超过两秒，中间停顿有噪音，截取后语句不连贯，语义不

完整可以不拆分

3. 说话人标识
同一段中不同说话人应用不同身份 id 标明，并标记说话人性别

4. 内容转写
 标注人员需根据听到的音频进行内容转写，要求转写内容必须和听到的语音完全一致，

不能多字、少字、错字。一般准则如下：

1) 大小写：如果这个单词通常首字母大写的话，就按正常书写习惯去转写例如：

China，Microsoft

2) 数字：文本中出现数字，不能直接转写阿拉伯数字，要转写成该语种的文字写法。

原文 转写

我今年 15 岁了 我今年十五岁了

我的手机尾号是 6543 我的手机尾号是六五三四

I’m 15 years old I’m fifteen years old

3) 拼读类单词：

字母大写以空格隔开。比如

原文 转写

five thirty pm five thirty P M

FBI F B I

NFC N F C

4) 缩写

转写时不能使用单词的缩写，一定要用发音的单词的全词。例如：

原文 转写

This is Dr. Smith this is doctor Smith

5) 标点符号

根据语法规则来使用标点符号。

说话人说出来的标点需要转写出来，如：“ @”转写为“at”， ”.com”写

成”dot com”

转写过程中只允许出现逗号（，）、连字符（-）只能出现在单词中间、句号

（.）、感叹号(!)、单引号(’)、问号（？），不可添加这几个以外的标点，添

加的符号需要符合语法规则。所有符号需要在正常的英文输入状态下

6) 语气词

语气词要根据发音、语义准确转写。
 7) 其他

 脏话内容正常转写，切忌用字母代替

 网络热词、常见互联网词按照常见用法转写

 语音中有重复的字词，要全部转写出来

 发现听的比较清楚，语义不确定但是发音可以确定，比如普通人名等，可以

选择同音词代替，但需要保证文本与发音正确。在有明确上下文句意的情况

下，选择符合发音以及句意的词进行标注。

 单词没有说完的，后面加-，且要和后面单词之间有一个空格，例如：I want

to go to s- school.注意，句尾必须是完整的单词，如果没说完的单词在句

尾，直接舍弃不截取。

5. 特殊符号
标注过程中若出现以下情况，需添加对应的特殊标签，标签必须合法：避免出现成对

标签缺失，大小写不一致，括号不成对等情况。

更新： [OVERLAP/][/OVERLAP] 标签正常标签，其余标签只选择对应属性，不在文

本转写中添加，后续技术批处理。

数 据 是 噪音 特殊标签 解释 角色 文本标注
否有效 标注
无噪音 无 根据听到的内容按规范 O1 今天我去吃饭了。
进行转写 or
O2…
[N]  一句话中包含噪音需要 O1 今天我去吃饭了[N]
在句尾标注[N]，但不用 or
区分噪音类型。 O2…
[HM] 说话人说唱内容需要在 O1 一人我饮酒醉[HM]
有
效 句尾标记[HM] or
数 O2…
据
[OVERLAP/] 语音重叠， 并且其中 O1 今天我去[OVERLAP/]
[/OVERLAP] 一方特别清晰，只转写 or 吃饭了[/OVERLAP]
说话清晰的人的语音。 O2…
角色标注该说话人，被
影响文字用 标签标
注。

无 效 数 录音人人 [IVS] 大于 0.5 秒的噪音段落 N [IVS]

据 声无效语
才会标注。比如语音重
音段
叠，且声音音量大小差
 不多；
语音丢帧；
语音截幅；
语音有回声；
不是正常说话语气：比
如唱歌、捏着嗓子说话
等；
非目标语言；
语音段中有个别单词听
不清或者因为噪音影响
无法转写。
非录音人 [OIVS] 大于 0.5 秒的噪音段落 N [OIVS]
人声无效
才会标注。例如：
语音段
电视人声；
节目播音腔旁白解说广
告；
带有人声的音乐；等
敏感信息 [PIL] 语音中含有录音人隐私 N [PIL]
信息。
详细住址、手机号、身
份证号、银行卡号、社
保号、护照号、等

6. 质量要求
标注的句准确率应该在 97%及以上（符号格式问题要求 100%）

如果语句的一部分出现了以下标注错误：错误标注，有效错误等，则认定这句话为错

误标注语句。

标注准确率=1-（错误的标注语句数/全部标注语句数）

特殊标签准确率 = 错误标注数（错标、多标、漏标） / 标注标签数 不低于 90%