Appen_China的博客

如果问华语乐坛近期产量最高的歌手是谁，“AI 周杰伦”、“AI 孙燕姿”一定有姓名——歌迷们先用歌手的音色训练AI，再通过模型将其他歌曲转换成以歌手音色“翻唱”的歌曲。语音合成 (Text To Speech,TTS) 就是其背后的技术支持。作为生成式AI的一大重要课题，语音合成技术在近年来取得了飞速发展。TTS满足将文本转化成拟人化语音的需求，打通人机交互闭环。如今，语音合成产品应用领域广泛，如车载导航、客服场景、智能车机、新闻播报、直播卖货、数字人等。

智能终端的快速发展让我们在许多科幻电影中看到的“未来场景”正在一步步变为现实：智能家居正在解放我们的双手，工业机器人让生产效率倍增，智能穿戴设备让我们便利地感知自身与外部的连结……然而，要想让万物“智联”，AI就显得尤为重要。IDC在《2024年中国智能终端市场十大洞察》报告中预测，2024年中国智能终端市场出货量将增长4%，其中，市场上的AI终端占比将达55%，搭载AI功能的终端设备将超过70%。对于这些智能设备而言，数据的准确性和完整性将直接关系到设备的智能化程度和用户体验。

澳鹏Appen是全球图像、文本、语音、音频、视频等AI训练数据服务提供商，拥有业内先进的人工智能辅助数据标注平台、自研的大模型开发平台及全球100多万名技能娴熟的众包资源，支持290+种语言和方言。澳鹏Appen拥有170+个ASR数据产品，涵盖50+种语言，总长2万+小时。包含当前热门的人物朗读视频数据集，涵盖东南亚五国（越南、菲律宾、马来、印尼、泰国），人均录制时长达20+分钟。22个ASR精品库，9个图片精品库，24个文本精品库，17个词典精品库，8个TTS精品库和8个视频精品库。

幸运的是，经验丰富的专业转录提供商为电话会议提供高质量、灵活、反应迅速和具成本效益的转录服务。– 灵活性和规模——专业提供商可以根据您的需求定制服务，并有能力满足紧急、急迫或大量的要求，以及处理特殊项目，例如涉及外语人士或涉及技术问题的电话。– 经验——成熟的转录公司经验丰富，处理过许多不同的挑战，积累了大量的知识。一些提供商还拥有安全的内部设施，用于转录最敏感的材料，并通过了ISO 27001认证，这是数据处理的“黄金标准”。但在开始前，先问问自己为什么要录制和转录电话会议。

您的语音识别系统是经济高效，还是差强人意，这取决于您的数据。机器学习项目能否成功推出和获得投资回报，最重要的决定因素就是数据。如果您计划构建一个语音识别系统或对话式AI（聊天助理），则需要一个大型语音识别数据集。如今，如何获得所需要的数据并确保数据的高质量是许多公司面临的难题之一，因为高质量的数据才能帮助他们构建成功的机器学习模型。

表现不佳的模型可能会做出歧视性的决策，例如，AI 赋能的招聘工具表现出对女性的偏见，或者人脸识别软件难以识别肤色较深的面孔。最重要的是，AI 模型需要高质量的训练数据，这些数据要以负责任的方式从多元化的标注员那里获得，才能有效发挥作用。由于基于客户信息的模型开发很普遍，因此客户希望确保对其个人信息的收集是负责任的，处理和存储是安全的，有些客户甚至希望了解数据使用方式的基本原则。偏见是 AI 领域的重大挑战。由美国男性组成的白人团队标注的数据看起来不同于来自不同种族、性别和地域的成员组成的团队标注的数据。

世界经济论坛》(World Economic Forum) 发表的一篇文章指出，到 2020 年，整个数字世界的数据总量预计将会达到 44 ZB。从这个角度来看，这一数字比可观测宇宙范围内的星星数量还要多 40 倍。随着对这些惊人数量的数据（来自大量的数据源且格式繁杂多样）进行存储和分析的需求不断增长，某些IT领域毫无疑问将面临严峻的挑战。

在人工智能背景下，您可能已听说过“大数据”这一流行语，那“小数据”这一词呢，您有听说过吗？无论您听过与否，小数据都无处不在：线上购物体验、航空公司推荐、天气预报等均依托小数据。小数据即一种采用可访问和可操作格式，且易于人类理解的数据。通常，数据科学家会利用小数据分析现状。在机器学习（ML）领域，小数据的应用越来越多，这很大可能是因为数据可用性的普遍增强，以及新数据挖掘技术的试验。随着AI在各行各业的发展，数据科学家越来越多地关注小数据，因为小数据只需要低水平的计算能力，且易于使用。

为成功推出人工智能（AI）项目，许多公司正在转向采用外部数据集。当今时代，寻找数据集比以往任何时候都要容易，数据集对机器学习模型的性能也日益重要。有许多站点都托管数据存储库，涵盖主题广泛，从稀有青蛙的图像到笔迹样本，应有尽有。无论您的机器学习（ML）项目是什么，您都可以找到相关的数据集作为起点。在本文中，我们收集了现有的40多个高质量ML数据存储库和数据集的链接。为了便于使用，我们已按照项目类型和行业对它们进行分类。