Zovda
音频按小时卖。模型按片段学。决定一份语料能不能用的所有事情，都夹在这两个词之间：几个声道、响度多少、一句话在哪里结束、你付钱买的那几秒里到底有没有人说话。
一文件夹干净录音不是语料，只是还没人做决定的原料。
一个文件夹，三个不同的问题
语音识别、音频事件、音乐，需要的标注、片段长度和失败情况都不一样。混成一份，三类都拿不到自己要的东西。
我们把任务类型做成字段，买家可以直接取一类，不必重新导出其余部分。一段会议录音和一段雨声现场，可以出现在同一次交付里，却永远不进同一次训练。
让片段可复用的字段
- 采样率与声道布局
- 全集合统一口径测量的响度
- 片段起止，切在自然边界上
- 有人声处的语种与说话人轮次
- 转写语音的词级时间戳
- 条件标签：近讲、远场、嘈杂、重叠说话
词级时间戳是最常被跳过的字段，也是最容易让人付两次钱的字段。没有它，下游每一个对齐任务都要从强制对齐器开始，再加一周清洗。
静音不是浪费，没标注的静音才是
长停顿、房间底噪、空场，都是有价值的负样本；也是让小时数虚高、却什么都没教给模型的最快方式。
处理办法不是剪掉，而是标出来，让买家自己决定要不要。
按说话人切分，不按文件
同一个人的十条录音随机切分，会把同一把声音同时放进两边，模型在一个已经见过的人身上得分很高。要按说话人切；语料允许时，再按录制场次与麦克风切。
交付前我们跑的清单
- 每个片段都切在自然边界，而不是固定间隔？
- 响度与声道布局足够一致，文件之间可比较？
- 不听音频也能筛掉静音？
- 转写带词级时间戳？
- 训练集与留出集之间的说话人是分开的？
答不上这些，按小时报价就没有可比性。
从哪里开始
先按任务类型——识别、事件、音乐——和与模型实际运行环境最接近的录制条件选。音频语料写清了每一类里有什么，语料总目录则按训练阶段说明同一批录音怎么用。
这些音频由 Zovda 剪辑与标注，Datuva 平台让上面的分段边界和收听条件跟着文件走，而不是躺在另一张表里。
告诉我们你的收听条件和需要的量，我们会在 1 个工作日内回复；范围确认后提供字段说明。