Zovda
一个语音语料可以分数很好看，却在它真正被部署的那个房间里失败。分数是平均值，而平均值会把没录进来的条件藏起来。
解法不是加时长，是把条件命名，然后有针对性地覆盖。
错误率会把有用的部分平均掉
整个测试集上的一个数字，告诉你的是模型在你碰巧收到的那个混合上表现如何。它对车里的那通电话、三个人同时说话的会议，以及语料里没有的那种口音，什么也没说。
按条件分别报数，缺口就成了计划。
让音频可复用的那些字段
- 说话人数，以及是否重叠
- 录音距离和设备类别
- 噪声类型，要命名而不是打分
- 语速，以及有没有口头语
- 分段边界，按时间、按说话人
- 转写有没有人工核过
没有边界的片段是一个文件。有了边界，它才能被切、被筛、被混进另一个训练集。
重叠和噪声是两根轴
团队常把它们打包成「难音频」，然后就分不清模型到底栽在哪个上。重叠说话是分离问题，背景噪声是鲁棒性问题。咖啡馆里一个人说话，和安静房间里四个人说话，不是同一种难。
两个字段分开存，混合比例才变成一个能拧的旋钮。
做一张收听网格，而不是一张清单
有用的语音集合是一张网格：说话人画像 × 条件 × 时长。把你关心的格子填上，把故意留空的格子标出来，并写明原因。
这些音频由 Zovda 剪辑与标注，Datuva 平台让分段边界和录制条件跟着文件走，而不是躺在另一张表里。音频语料写了完整的字段说明。
告诉我们你的产品会在什么条件下听，我们会在 1 个工作日内回复。