第1270章 不用外包，我们红星用户就是标注员 (第2/2页)
云空间会员，或者发现金红包，也可以给代金券和实物奖品。”
成文飞看向他：“普通用户的标注质量不稳定。”
“所以不能把所有任务都交给用户。”马乐伸出两根手指，“基础通用口语样本交给用户，高精密声学对齐、方言样本、专业词汇，最终审查，还是留给专业外包团队进行兜底。”
“重点是人多，外包团队每天做几万条，用户任务一上线，说不定一天就能完成几百万条，进度会快很多。”
成文飞也被马乐这个想法给打动了，对啊，红星手机的用户不都是现成的标注员嘛，而且数量那么多，会让项目进度大大加快，于是接着问：“那声音采集呢？”
“也可以做。”
马乐来了精神：“不光让用户听音频、选文字，还可以让他们读指定句子，录一些自然语音片段，用会员和报酬换他们参与。”
“家庭环境里的录音，噪声会很多。”
“这正是价值。”马乐拍了拍桌子，“传统数据大多在录音棚里采，干净是干净，但和真实使用场景有距离，咱们采集的是手机麦克风、客厅、厨房、街道、车里这些环境的语音。”
“用这种数据训练以后，在手机上、家里有背景噪音的场景，识别效果反而可能比讯飞那种录音棚数据集更好。”
实验室里安静下来。
成文飞看着他，没有马上回答。
过去十年，他接触的项目大多围绕实验室和医院，数据采集靠的是设备、志愿者和专业人员。
他习惯从最严格的条件出发，把每个变量控制在手里。
可是语音助手面对的是普通人。
用户不会在安静的录音棚里说话，也不会提前调整麦克风角度。
有人一边做饭一边喊它，有人开着电视说指令，有人在车里让它导航。
真实环境本身就是数据。
“隐私和授权怎么处理？”成文飞问。
马乐回答得很快：“任务页面写清楚用途，用户主动参与，单独授权。敏感内容不能采，自动过滤姓名、身份证号、住址、银行卡这些信息。采集完成后先过系统筛查，再进人工复核。”
“数据存储呢？”
“按脱敏后的编号存，访问权限分级。杜文那边负责系统接入，实验室只拿经过筛选的语料。”
成文飞翻看着手里的资料，心里已经开始计算训练周期。
数据量一旦起来，网络迭代就能加快。
哪怕普通用户数据不够精细，也能先把基础识别能力托起来，再用专业样本做修正。
“可以先做一个小规模测试。”
马乐立刻点头：“我去找杜文他们对接。”
马乐一溜烟跑了出去。
何恺明看着门口，笑着说：“马总还真是说干就干。”
成文飞也笑了一下：“这位不愧是陈总最看重的红星的千里马，有他在，能省我们太多麻烦，只管把研发做好就行。”