Разметка пауз и шумов в звуковых файлах — это структурированная разметка аудиодорожки на временные интервалы с указанием того, где звучит полезная речь диктора, где находится естественная пауза тишины, а где зафиксированы паразитные акустические артефакты. Для нейросетей, распознающих голос, критически важно точно знать, где заканчивается слово и начинается фоновый вздох: если алгоритм примет резкий щелчок за согласную букву «т» или «к», точность расшифровки всего предложения рухнет.
Именно поэтому разметка аудиодорожек для ИИ и обучение моделей требуют участия человека: человеческий слух безошибочно различает тончайшие оттенки живого голоса и механических помех.
Ниже описан полный путь начинающего исполнителя, технические требования к оборудованию и правила выделения звуковых границ.
Что понадобится для работы
Для комфортного старта не нужно покупать дорогое студийное оборудование: 1. Компьютер или ноутбук с монитором от 14 дюймов. Работать со звуковой волной со смартфона неудобно: пальцем сложно попасть в границы долей секунды на спектрограмме. 2. Проводные наушники закрытого типа. Беспроводные гарнитуры могут вносить задержку звука (latency) в 100–200 миллисекунд, из-за чего метки будут систематически сползать. 3. Бесплатный аудиоредактор. Для тренировки идеально подходит Audacity (доступен для Windows, Mac и Linux). 4. Оптическая мышь. Колесико мыши позволяет мгновенно масштабировать звуковую волну до сотых долей секунды.
Пошаговый путь разметчика: от файла до готовой дорожки
Разберем, как новичку размечать аудиофайлы по стандартам краудсорсинговых платформ.
Шаг 1. Настройка отображения звуковой волны и спектрограммы (время: 10 минут)
После загрузки аудиодорожки в интерфейс платформы или редактор не ограничивайтесь стандартной синей диаграммой колебаний (осциллограммой). Переключите режим дорожки на совмещенный: Осциллограмма + Спектрограмма. - На осциллограмме отлично видна общая амплитуда и громкость. - На спектрограмме видны частоты: речевой спектр отображается яркими горизонтальными полосами (формантами) в диапазоне от 300 до 3500 Гц, тогда как шум ветра или гул кондиционера выглядит как сплошная темная заливка у самого низа.
Шаг 2. Определение границ речевых сегментов (время: 15 минут)
Главный закон разметки: речевая метка должна начинаться ровно за 20–30 миллисекунд до начала первой гласной или согласной и заканчиваться через 20–30 миллисекунд после затухания звука. Это защищает первые и последние буквы слова от срезания при последующей машинной обработке.
Как отмечать паузы в звуковых файлах:
- Если интервал между словами превышает 250–300 миллисекунд (0.3 секунды), этот промежуток размечается отдельным тегом [SILENCE] или [PAUSE].
- Если пауза короче 200 миллисекунд, она считается естественной артикуляционной микропаузой и остается внутри речевого сегмента.
Шаг 3. Детекция и тегирование паразитных шумов (время: 20 минут)
Выполняя задания по разметке шумов в речи, разметчик классифицирует посторонние звуки по типам:
- [BREATH] — вдох или выдох спикера;
- [CLICK] — щелчок зубов, языка, смыкания губ или клавиш клавиатуры;
- [NOISE] — фоновый гул транспорта, шум вентилятора, шорох одежды;
- [LAUGH] — смех или смешок говорящего.
Сводная таблица параметров разметки звуковых событий
| Событие | Минимальная длина | Акустический образ | Рекомендуемый тег |
|---|---|---|---|
| Речевая фраза | От 0.5 сек | Яркие формантные полосы 300–3000 Гц | [SPEECH] |
| Естественная пауза | От 0.3 сек | Ровная линия шума ниже -45 дБ | [PAUSE] |
| Вздох диктора | 0.2–0.6 сек | Широкополосный шум с нарастанием | [BREATH] |
| Артикуляционный щелчок | 0.01–0.05 сек | Тонкая вертикальная игла на всех частотах | [CLICK] |
| Шорох микрофона | 0.1–0.4 сек | Мощное низкочастотное пятно до 150 Гц | [NOISE] |
Типичные ошибки при определении щелчков и вздохов
Разберем две классические проблемы, из-за которых новички чаще всего проваливают проверочные тесты.
Ошибка 1. Путаница между согласным звуком «п/т/к» и щелчком языка
- Симптом: Модератор бракует задание с комментарием «Обрезано начало слова».
- Почему: Взрывные глухие согласные («п», «т», «к») на спектрограмме выглядят почти как щелчок (резкий кратковременный всплеск). Неопытный разметчик принимает взрывной звук буквы за паразитный шум и вырезает его из фразы.
- Что делать: Всегда прослушивайте фрагмент с запасом в 0.2 секунды вперед. Если после щелчка сразу идет гласная буква (например, слог «то-»), перед вами полезный согласный звук речи, а не паразитный щелчок. Щелчок языка или слюны обычно звучит в полной тишине перед началом вдоха.
Ошибка 2. Включение глубокого вдоха в речевую метку
- Симптом: Ошибка классификации дыхания, снижение рейтинга точности.
- Почему: Перед длинным эмоциональным монологом спикер делает глубокий шумный вдох через рот. Разметчик объединяет этот вдох со словом, считая его частью фразы.
- Что делать: На спектрограмме вдох выглядит как мягкое облако шума без четких формантных полос, за которым следует микропауза смыкания связок в 50 миллисекунд. Ставьте границу речевого тега строго после завершения вдоха. Вдох должен получить свой отдельный тег
[BREATH].
Возражения и сомнения новичков
«Разве нейросети не могут сами найти паузы на звуковой дорожке?»
Автоматические детекторы активности голоса (VAD) работают по порогу громкости. Если человек говорит тихо, а на заднем плане гремит трамвай, алгоритм посчитает шум речью, а тихий шепот — шумом. Человеческий слух превосходит автоматику в условиях реальных зашумленных записей.
«За разметку платят мало, это слишком медленная работа»
На первом этапе новичок тратит на разметку 1 минуты аудио до 10–15 минут реального времени. Однако после освоения горячих клавиш скорость возрастает в 3–4 раза, а опытные исполнители переходят в статус верификаторов и модераторов с повышенной ставкой.
Что может пойти не так
Метки сдвинулись относительно звука на 0.5 секунды. Почему: Использование беспроводных Bluetooth-наушников с высоким пингом или задержка аудиобуфера в браузере. Что делать: Подключите проводные наушники и перезапустите страницу с заданием.
Звуковая дорожка кажется сплошным неразборчивым шумом. Почему: Исходная запись пережата кодеком с низким битрейтом (например, 8 кбит/с из радиоэфира). Что делать: Увеличьте масштаб спектрограммы и ориентируйтесь на всплески средних частот, где расположена человеческая речь.
Что дальше
Освоив базовую разметку пауз и шумов, вы получите надежный фундамент для работы в проектах аннотирования аудиоданных и сможете брать более сложные задачи по проверке дикторского и музыкального контента.