语音类 - 人工智能平台 PAI

iTAG提供了音频分类、音频分割、音频识别的语音类标注模板，创建标注任务时，您需要根据应用场景选择标注模板。本文为您介绍语音类模板的应用场景及数据结构。

背景信息

本文介绍以下语音类标注模板的数据结构：

音频分类
音频分割
音频识别

音频分类

音频分类（Audio Classification）是指从一组固定的分类标签集合中，找到与输入音频内容相匹配的一个或多个分类标签，并将其分配给该输入音频。该模板支持单标签和多标签音频分类。

应用场景
场景声音分类等。

数据结构

输入数据
manifest文件的每行数据是一道题目，且每行数据必须包含source字段。
```
{"data":{"source":"oss://tongxin-lly.oss-cn-hangzhou.aliyuncs.com/iTAG/audio/1.wav"}}
...
```

输出数据

manifest文件的每行数据由题目和标注结果一起生成。每行数据的JSON结构如下。

{
    "data": {
        "source": "oss://itag.oss-cn-hangzhou.aliyuncs.com/tongxin_audio/6.wav"
    },
    "label-1432993193909231616": {
        "results": [
            {
                "questionId": "1", 
                "data": "标签1", 
                "markTitle": "单选", 
                "type": "survey/value"
            }
        ]
    }
}

音频分割

音频分割（Audio segmentation）是指将一段音频通过识别后，利用波形图将音频分割成多段，并匹配上不同的标签内容。

应用场景
对话内容分析等。

数据结构

输入数据
manifest文件的每行数据是一道题目，且每行数据必须包含source字段。
```
{"data":{"source":"oss://tongxin-lly.oss-cn-hangzhou.aliyuncs.com/iTAG/audio/1.wav"}}
...
```

输出数据

manifest文件的每行数据由题目和标注结果一起生成。每行数据的JSON结构如下。

{
    "data": {
        "source": "oss://itag.oss-cn-hangzhou.aliyuncs.com/tongxin_audio/21.wav"
    }, 
    "label-1435480301706092544": {
        "results": [
            {
                "duration": 0, 
                "objects": [
                    {
                        "result": {
                            "音频识别结果": "通过音频识别得到的结果内容1。", 
                            "单选": "标签1"
                        }, 
                        "color": null, 
                        "id": "wavesurfer_ei0aet9uvp8", 
                        "start": 2.3886218302094817, 
                        "end": 4.635545755237045
                    }, 
                    {
                        "result": {
                            "音频识别结果": "通过音频识别得到的结果内容2。", 
                            "单选": "标签2"
                        }, 
                        "color": null, 
                        "id": "wavesurfer_kl39gnlb2k", 
                        "start": 5.698280044101433, 
                        "end": 7.348048511576626
                    }
                ], 
                "empty": false
            }
        ]
    }
}

音频识别

音频识别ASR是指将一段音频识别为文本内容，同时可以进行相应标签的匹配。

应用场景
方言识别等。

数据结构

输入数据
manifest文件的每行数据是一道题目，且每行数据必须包含source字段。
```
{"data":{"source":"oss://tongxin-lly.oss-cn-hangzhou.aliyuncs.com/iTAG/audio/1.wav"}}
...
```

输出数据

manifest文件的每行数据由题目和标注结果一起生成。每行数据的JSON结构如下。

{
    "data": {
        "source": "oss://itag.oss-cn-hangzhou.aliyuncs.com/tongxin_audio/14.wav"
    }, 
    "label-1435448359497441280": {
        "results": [
            {
                "questionId": "1", 
                "data": "通过音频识别得到的结果内容。", 
                "markTitle": "音频识别结果", 
                "type": "survey/value"
            }, 
            {
                "questionId": "3", 
                "data": [
                    "标签1", 
                    "标签2"
                ], 
                "markTitle": "多选", 
                "type": "survey/multivalue"
            }
        ]
    }
}