Di negara yang pelbagai budaya dan kaya dari segi bahasa seperti India, membina AI inklusif bermula dengan mengumpul set data berkualiti tinggi yang mewakili. Itulah visi di belakang Projek Vaani—satu inisiatif sumber terbuka berskala besar yang diketuai oleh ARTPARK, IISc Bengaluru, dan Google, bertujuan untuk memberi suara kepada setiap bahasa dan dialek India.
Matlamat yang bercita-cita tinggi? Untuk mengumpul 150,000+ jam pertuturan and 15,000+ jam transkripsi dari 1 juta orang seluruh 773 daerah dari India.
Sebagai salah satu vendor utama untuk misi nasional ini, Saip memainkan peranan penting dalam menyusun data pertuturan spontan, transkripsi dan pengumpulan metadata—membentangkan asas untuk teknologi suara yang saksama yang benar-benar mewakili India sebenar.
Visi Di Sebalik Projek Vaani
Projek Vaani direka untuk merapatkan jurang kemasukan AI dengan mencipta dataset sumber terbuka multimodal, berbilang bahasa, dan sumber terbuka terbesar di India. Data ini adalah asas untuk membangunkan sistem pengecaman pertuturan, terjemahan dan AI generatif yang tepat dalam bahasa India asli—kebanyakan daripadanya kurang diwakili dalam ekosistem teknologi global.
Visi jangka panjang adalah untuk memperkasakan aplikasi yang memberi kesan dalam:
- Healthcare – Teleperubatan berasaskan suara
- Pendidikan – Platform pembelajaran vernakular
- Tadbir – Antara muka perbualan untuk perkhidmatan rakyat
- Capaian – Alat suara untuk pengguna kurang upaya
- Sambutan bencana – Komunikasi masa nyata dalam dialek tempatan
Bagaimana Shaip Membantu Membina Set Data Ucapan Sumber Terbuka Terbesar India untuk Projek Vaani
Shaip telah diamanahkan dengan koleksi 8,000 jam ucapan spontan and 800 jam transkripsi yang disahkan secara manual. Tanggungjawab kami merangkumi onboarding pembesar suara, tangkapan audio, penandaan metadata, penyelarasan transkripsi dan kawalan kualiti.
8,000 jam data audio spontan
Rakaman daripada 400+ penutur asli setiap daerah, mewakili pelbagai kumpulan umur, jantina, dan dialek
80 daerah, dilindungi
Gesaan berasaskan imej untuk memastikan ucapan semula jadi, kontekstual
Inilah yang menjadikan pendekatan kami unik:
Kepelbagaian Peringkat Daerah
Kami memperoleh rakaman daripada 80 daerah yang tersebar di seluruh negeri seperti Bihar, Uttar Pradesh, Karnataka, West Bengal dan Maharashtra. Setiap daerah menyumbang 100 jam data audio, memastikan keseimbangan serantau. Kami menggunakan penutur asli, memastikan perwakilan aksen dan dialek serantau sering diabaikan dalam set data AI arus perdana.
Perwakilan Linguistik & Demografi
Kami memperoleh rakaman daripada 80 daerah yang tersebar di seluruh negeri seperti Bihar, Uttar Pradesh, Karnataka, West Bengal dan Maharashtra. Setiap daerah menyumbang 100 jam data audio, memastikan keseimbangan serantau. Kami menggunakan penutur asli, memastikan perwakilan aksen dan dialek serantau sering diabaikan dalam set data AI arus perdana.
Ucapan Didorong Imej
Untuk merangsang perbendaharaan kata spontan dan semula jadi, peserta ditunjukkan 45-90 imej setiap sesi dan diminta untuk menerangkannya. Peserta digesa menggunakan imej yang pelbagai—bermula daripada simbol budaya hingga objek harian—untuk mendapatkan respons semula jadi dan spontan dalam bahasa ibunda mereka. Ini memastikan rakaman mencerminkan dunia sebenar, pertuturan kontekstual—penting untuk melatih sistem NLP lanjutan.
Piawaian Transkripsi Berkualiti Tinggi
Hanya 10% daripada data pertuturan telah ditranskripsi—berjumlah 800 jam. Transkripsi dilakukan oleh ahli bahasa tempatan dalam radius 20–50 km dari penutur, memastikan kebiasaan dengan dialek dan nuansa. Semakan lapisan kedua memastikan <5% kadar ralat perkataan (WER).
Jaminan Kualiti yang Tegas
Data audio terpaksa memenuhi bar tinggi: tiada bunyi latar belakang, gema, getaran telefon atau herotan. Audio telah dirakam dalam persekitaran yang tenang dan bebas gema. Fail telah menjalani semakan rapi untuk memenuhi garis panduan untuk kejelasan pertuturan, tahap hingar, ketepatan metadata dan pengesahan pembesar suara. Pengetegan metadata perlu tepat merentas semua fail dan semua rakaman telah disemak untuk penjajaran pembesar suara dan lokasi.
Cabaran yang Kami Selesaikan
- Logistik jauh – Mengurus pasukan merentasi 80 daerah
- Kepelbagaian pembesar suara – Memasukkan 32,000+ pembesar suara yang disahkan di lokasi terpencil
- Sensitiviti budaya – Menghormati adat resam dan dialek tempatan
- Integriti data – Memenuhi piawaian kualiti dan pematuhan
- Kawalan Kualiti – merentasi pelbagai konteks linguistik dan budaya
Kejayaan kami datang kepada perancangan yang teliti, pengesahan berasaskan teknologi dan perkongsian dengan pasukan tempatan yang memahami nuansa budaya setiap rantau.
Kesan dan Aplikasi
Sumbangan Shaip bukan sahaja telah mempercepatkan kemajuan Projek Vaani tetapi juga menetapkan asas untuk AI inklusif di India. Set data pertuturan susun atur sudah digunakan untuk membina dan memperhalusi model AI untuk:
- Pembantu suara vernakular
- Enjin terjemahan serantau
- Alat komunikasi yang boleh diakses untuk orang cacat penglihatan
- Platform edtech dipacu AI untuk pelajar luar bandar
- Teleperubatan luar bandar
- Perkhidmatan rakyat berasaskan suara
- Terjemahan dan transkripsi masa nyata
Kesimpulan
Project Vaani ialah langkah berani ke arah AI yang inklusif dan boleh diakses—dan Shaip berbesar hati untuk memainkan peranan asas. Kerja Shaip pada Project Vaani mengesahkan komitmen kami untuk membina sistem AI yang beretika dan inklusif yang berakar umbi dalam kepelbagaian dan perwakilan. Dengan lebih 8,000 jam ucapan dikumpul dan 800 jam ditranskripsi, kami berbangga kerana telah memainkan peranan dalam salah satu projek rangkuman digital paling berwawasan India.
Ketika Project Vaani meneruskan ke arah matlamatnya yang lebih besar iaitu 150,000+ jam data, kami bersedia untuk menyokong sempadan seterusnya inovasi AI yang bercakap kepada—dan untuk—setiap orang India.
Ingin bekerjasama dengan kami untuk membina AI yang memahami dunia sebenar? www.shaip.com
