المواصفات التقنية

كيف نسجّل البيانات ونفرّغها نصيًا ونسلّمها.

الإعداد القياسي الذي نعتمده لإنشاء مجموعات بيانات اللهجات العربية. يمكن تكييف كل عنصر وفقًا لمتطلباتكم: التنسيق، والظروف، والأجهزة، وبنية البيانات، والتسمية.

المواصفات التقنية

الجلسات

محادثات طبيعية ضمن
ظروف مضبوطة.

التنسيق محادثات صوتية بين متحدثين اثنين (وأحيانًا ثلاثة)، بالإضافة إلى نصوص قصيرة للقراءة. تستغرق الجلسات من 50 إلى 60 دقيقة من التسجيل ضمن فترة مدتها 90 دقيقة.
المواضيع محادثات حرة موجّهة باستخدام بطاقات المواضيع الخاصة بنا (الحياة اليومية، والعمل، والطعام، والسفر، والأسرة، والرياضة، والتكنولوجيا). نتجنب المواضيع الحساسة والتفاصيل الشخصية.
المتحدثون أشخاص بالغون، ناطقون أصليون باللهجة، يتم استقطابهم مباشرةً. يتم التحقق من منطقة المنشأ أثناء مرحلة الفرز الأولي. مع تحقيق التوازن حسب الجنس والفئة العمرية والمدينة.
التبديل بين اللغات يتم تسجيل استخدام الفرنسية والإنجليزية بالطريقة الطبيعية التي يمزج بها المتحدثون هاتين اللغتين مع العربية المغاربية.
البيئة يتم التسجيل بنسبة تقارب 80% في غرفة هادئة مجهزة بمعالجة صوتية، وبنسبة تقارب 20% في بيئات واقعية ذات ضوضاء مضبوطة (ركن في مقهى، سيارة متوقفة، أو مكتب). يتم تصنيف كل ملف حسب بيئة التسجيل. وتُحدَّد النسب وفقًا لمتطلباتكم.
الخصوصية غرفة خاصة، ومعرّفات مستعارة، دون ذكر الأسماء أو العناوين أو أرقام الهوية أثناء التسجيل. يتم توثيق أي تفاصيل شخصية تُذكر عن طريق الخطأ وإزالتها.
التسجيل الصوتي

تسجيل بجودة الاستوديو، ومسار صوتي
مستقل لكل متحدث.

غرفة التسجيل مساحة من 9 إلى 16 مترًا مربعًا، بعيدة عن الشارع، ومجهزة بألواح ماصة للصوت وسجادة وستائر سميكة. لا يتم اعتمادها إلا بعد إجراء اختبار للضوضاء والصدى (مستوى الضوضاء المحيطة حوالي 35 dBA أو أقل، ومستوى ضوضاء التسجيل أقل من −60 dBFS).
المعدات جهاز تسجيل ميداني متعدد المسارات بدقة 32-bit float؛ ميكروفون لافاليير مستقل لكل متحدث على مسار خاص به؛ جهاز تسجيل احتياطي يعمل بالتوازي؛ وسماعات رأس مغلقة لمراقبة الصوت مباشرةً.
تنسيق التسجيل WAV، بمعدل 48 kHz وبدقة 32-bit float (أو 24-bit)، دون ضغط، مع مسار أحادي (Mono) مستقل لكل متحدث. لا يتم تطبيق أي ضغط صوتي أو محدد لمستوى الصوت أو تقليل للضوضاء أثناء التسجيل.
علامات الجلسة 10 ثوانٍ من الصمت، ثم نطق معرّف الجلسة، وتصفيقة لمزامنة الصوت في بداية كل تسجيل.
تسمية الملفات TN_S0007_SPK014_20261116_01.wav — البلد، والجلسة، ومعرّف المتحدث المستعار، والتاريخ، ورقم التسجيل.
التفريغ النصي

تفريغ حرفي على يد ناطقين أصليين
باللهجة.

نظام الكتابة تُكتب اللهجة حرفيًا بالأحرف العربية كما نُطقت، دون تحويلها إلى العربية الفصحى الحديثة. وتُكتب الكلمات الفرنسية والإنجليزية بالأحرف اللاتينية كما نُطقت.
المقاطع مقاطع متزامنة مع التوقيت، تتراوح مدتها بين 5 و20 ثانية تقريبًا، وتُقسّم عند فترات التوقف الطبيعية، مع تحديد هوية كل متحدث.
الوسوم يتم وضع علامات على الأصوات غير الكلامية والأحداث، مثل [laugh] [noise] [overlap]، بالإضافة إلى الكلمات غير الواضحة، وتحديد المقاطع التي يتم فيها التبديل بين اللغات.
الإرشادات إرشادات مكتوبة للتفريغ النصي يشرف عليها مسؤولنا اللغوي؛ ويتم تدريب المفرّغين واختبارهم قبل بدء الإنتاج.
مراقبة الجودة فحوصات صوتية لكل ملف (التشويش الناتج عن تجاوز مستوى الصوت، والضوضاء، والصمت، وتداخل الأصوات، والملفات المكررة)، ومراجعة من ناطقين أصليين، بالإضافة إلى فحص ثانٍ لعينة من كل دفعة للتحقق من مطابقتها لمعايير الدقة المتفق عليها.
التسليم

التسليم بالتنسيق الذي يناسبكم.

  • الملفات الصوتية: WAV، بصيغة PCM بدقة 16-bit، أحادي القناة (Mono)، وبتردد 16 kHz افتراضيًا؛ و44.1 / 48 kHz للبيانات الصوتية النظيفة أو بيانات تحويل النص إلى كلام (TTS)؛ و8 kHz للاتصالات الهاتفية.
  • النصوص المفرّغة: بصيغ JSON أو TSV أو TextGrid، مع محاذاة زمنية أو تفريغ إملائي.
  • البيانات الوصفية: ملف بيان بصيغة JSON أو CSV، يتضمن سطرًا واحدًا لكل ملف.
  • نقل البيانات: عبر SFTP آمن أو إلى مساحة التخزين الخاصة بكم (S3 أو Azure أو GCS)، على دفعات أسبوعية مصحوبة بتقرير لكل دفعة.
  • مخطط البيانات الخاص بكم: يمكننا اعتماد نظام التسمية والحقول وهيكل المجلدات الخاص بكم.
مثال على سطر في ملف البيان
{
  "file": "TN_S0007_SPK014_20261116_01_seg0047.wav",
  "locale": "ar-TN",
  "region": "Sfax",
  "speaker_id": "SPK014",
  "gender": "F",
  "age_band": "26-40",
  "environment": "quiet_room",
  "duration_s": 11.8,
  "code_switch": true,
  "qa_status": "passed",
  "consent_scope": "commercial_ai_training",
  "tts_opt_in": false
}

مثال توضيحي. تتم مشاركة العينات الفعلية بموجب اتفاقية عدم الإفصاح (NDA).

هل تحتاجون إلى إعداد مختلف؟

تسجيل صوتي بعيد المدى، أو داخل السيارة، أو عبر الهواتف الذكية، أو الأجهزة القابلة للارتداء، أو أنظمة الاتصالات الهاتفية؛ أوامر محددة مسبقًا؛ وظروف ضوضاء خاصة. أرسلوا إلينا متطلباتكم وسنعمل على تكييف بروتوكول التسجيل وفقًا لها.