平台支持音频类数据集的加工操作，音频类加工算子能力清单见表1。
表1 音频类加工算子能力清单
|
算子分类 |
算子名称 |
算子描述 |
|
数据转换 |
噪声添加 |
给音频添加噪声。 |
|
噪声抑制 |
移除音频中的纯噪声片段并进行降噪。 |
|
音调变化 |
调整原始音频的音调。 |
|
混响减少 |
减少声音在空间中的混响效果，提高语音可懂度。 |
|
语音匿名化 |
对音频进行匿名化处理，匿名化后的音频与原始说话人音色和声纹有明显区分度。 |
|
语音降噪 |
对原始音频进行降噪，且只考虑噪声与人声叠加的情况，对于纯噪声音频或者纯噪声片段，不做约束。 |
|
语速调整 |
调整音频中的说话速度。 |
|
音频量化编码 |
将一个高分辨率的含有头信息的音频文件，通过音频编解码技术、量化压缩技术转换成16k采样率alaw/ulaw/pcm/wav文件。 |
|
数据打标 |
语音语种识别标注 |
识别音频中说话人所使用的语种，并给出相应的置信度。 |
|
普通话语音转文本 |
将普通话语音快速转化为文本，以丰富人机交互场景。 |
|
语音情绪识别标注 |
识别输入音频中说话人的情绪。 |
|
语音端点检测 |
检测音频中多段人声各自的起止时间。 |
|
噪声水平评估 |
对含有人声片段的音频进行质量打分。 |
|
静默片段检测 |
识别音频中的静音片段及置信度，并给出静音片段的占比。 |
|
多说话人语音识别 |
识别音频内容，返回每个说话人说话的起止时间及对应内容。 |
|
个人隐私对话识别 |
给个人隐私语音内容打标签。 |
|
违禁语音检测 |
给违禁语音内容打标签。 |
|
政治敏感语音识别 |
给政治敏感语音内容打标签。 |
|
色情语音内容检测 |
给色情语音内容打标签。 |
噪声抑制
- 适用的文件格式：纯音频，30s内采样率16k、位深16bit单通道的wav音频文件。
- 算子说明：移除音频中的纯噪声片段并进行降噪。
- 参数配置样例：
不需要配置参数。
音调变化
- 适用的文件格式：纯音频，60s内的音频文件。
- 算子说明：调整原始音频的音调。
- 各参数说明：
音调：音调参数。
- 参数配置样例：
混响减少
- 适用的文件格式：纯音频，60s内采样率16k的wav音频文件。
- 算子说明：减少声音在空间中的混响效果，提高语音可懂度。
- 参数配置样例：
不需要配置参数。
语音匿名化
- 适用的文件格式：纯音频，30s内采样率16k、位深16bit单通道的wav音频文件。
- 算子说明：对音频进行匿名化处理，匿名化后的音频与原始说话人音色和声纹有明显区分度。
- 参数配置样例：
不需要配置参数。
语音降噪
- 适用的文件格式：纯音频，采样率16k、位深16bit单通道的wav音频文件。
- 算子说明：对原始音频进行降噪，且只考虑噪声与人声叠加的情况，对于纯噪声音频或者纯噪声片段，不做约束。
- 参数配置样例：
不需要配置参数。
语速调整
- 适用的文件格式：纯音频，60s内的wav音频文件。
- 算子说明：调整音频中的说话速度。
- 各参数说明：
语速：语速参数， 取值在 0.5~2 之间。
- 参数配置样例：
音频量化编码
- 适用的文件格式：纯音频，100MB内的音频文件。
- 算子说明：将一个高分辨率的含有头信息的音频文件，通过音频编解码技术、量化压缩技术转换成16k采样率alaw/ulaw/pcm/wav文件。
- 参数配置样例：
不需要配置参数。
语音语种识别标注
- 适用的文件格式：纯音频，60s内采样率16k、位深16bit的wav音频文件。
- 算子说明：识别音频中说话人所使用的语种，并给出相应的置信度。
- 参数配置样例：
不需要配置参数。
普通话语音转文本
- 适用的文件格式：纯音频，60s内的音频文件。
- 算子说明：将普通话语音快速转化为文本，以丰富人机交互场景。
- 各参数说明：
标点 ：识别结果是否添加标点符号。
数字转换：是否将语音中的数字识别为阿拉伯数字。
是否分词信息 ：识别结果是否包含分词结果信息。
- 参数配置样例：
语音情绪识别标注
- 适用的文件格式：纯音频，60s内采样率16k、位深16bit的wav音频文件。
- 算子说明：识别输入音频中说话人的情绪。
- 参数配置样例：
不需要配置参数。
语音端点检测
- 适用的文件格式：纯音频，600s内采样率16k、位深16bit的wav音频文件。
- 算子说明：检测音频中多段人声各自的起止时间。
- 参数配置样例：
不需要配置参数。
噪声水平评估
- 适用的文件格式：纯音频，60s内采样率16k、位深16bit的wav音频文件。
- 算子说明：对含有人声片段的音频进行质量打分。
- 参数配置样例：
不需要配置参数。
静默片段检测
- 适用的文件格式：纯音频，600s内采样率16k、位深16bit的音频文件。
- 算子说明：识别音频中的静音片段及置信度，并给出静音片段的占比。
- 参数配置样例：
不需要配置参数。
多说话人语音识别
- 适用的文件格式：纯音频，1小时内、单通道的音频文件。
- 算子说明：识别音频内容，返回每个说话人说话的起止时间及对应内容。
- 各参数说明：
标点：识别结果是否添加标点符号。
数字转换 ：是否将语音中的数字识别为阿拉伯数字。
分词信息 ：是否将语音中的数字识别为阿拉伯数字。
话者分离：识别结果是否包含说话人信息。
语速 ：识别结果是否包含说话人语速信息。
- 参数配置样例：
个人隐私对话识别
- 适用的文件格式：纯音频，60s内的音频文件。
- 算子说明：给个人隐私语音内容打标签。
- 参数配置样例：
不需要配置参数。
违禁语音检测算子
- 适用的文件格式：纯音频，60s内的音频文件。
- 算子说明：给违禁语音内容打标签。
- 参数配置样例：
不需要配置参数。
政治敏感语音识别
- 适用的文件格式：纯音频，60s内的音频文件。
- 算子说明：给政治敏感语音内容打标签。
- 参数配置样例：
不需要配置参数。
色情语音内容检测算子
- 适用的文件格式：纯音频，60s内的音频文件。
- 算子说明：给色情语音内容打标签。
- 参数配置样例：
不需要配置参数。
