[临时语料入库][音频文本处理] 古诗词集录音按诗句切分及映射清单交付

[midanc]

背景

需求方提交“古诗词集”临时语料入库需求，已提供古诗词朗诵录音合集 ZIP 及诗词原文文档。

当前录音素材为“一首古诗词对应一个完整音频文件”。为支持后续句级语料入库，需将每首完整朗诵音频按完整诗句切分，并输出句级音频和对应映射关系。

本次文本附件当前包含 20 首古诗词，具体以需求方最终提供的录音 ZIP 和文本版本为准。

负责人

AW

参考内容

需求文档

处理要求

音频切分规则

• 每首古诗词当前为一个完整音频文件，需按“完整诗句”切分为多个句级音频。
• 原则上以中文句号、问号、感叹号、分号等作为主要切分边界。
• 同一句中的逗号不作为切分边界，即上下半句需保留在同一个音频文件中。
• 需尽量完整保留句首、句尾发音及自然停顿，避免截断首字、尾字或造成明显听感不完整。
• 标题、作者、朝代、序号、朗诵者介绍等非诗词正文内容默认不纳入句级正文语料；如音频中存在，需在异常/备注中标注。
• 若朗诵存在漏读、重复、明显错读或与文本不一致，须记录，不得自行修改文本或掩盖异常。

切分示例

原文：

罗浮山下四时春，卢橘杨梅次第新。
日啖荔枝三百颗，不辞长作岭南人。

预期切分：

1. 罗浮山下四时春，卢橘杨梅次第新。
2. 日啖荔枝三百颗，不辞长作岭南人。

说明：“日啖荔枝三百颗，不辞长作岭南人。”为一个完整诗句，虽含逗号，但不可拆分为两个音频片段。

文件命名建议

{collection_name}_{poem_id}_{sentence_no}_{poem_title}_{reciter}.{extension}

示例：

古诗词集_GS-014_01_惠州一绝·食荔枝_刘蔚蓝.wav
古诗词集_GS-014_02_惠州一绝·食荔枝_刘蔚蓝.wav

若系统或文件环境不支持中文文件名，可采用：

gushici_GS-014_01.wav
gushici_GS-014_02.wav

但必须在映射清单中保留完整信息。

交付物

• 全量句级切分音频文件
• 古诗词集_音频文本映射清单.xlsx 或 CSV
• 古诗词集_音频切分异常清单.xlsx 或 CSV
• 原始音频与句级音频对应关系
• 如可提供，原始音频总时长与句级片段总时长的核对结果

映射清单字段

字段	说明
collection_name	语料集名称，固定为“古诗词集”
poem_id	诗词唯一 ID
poem_title	诗词标题
dynasty	朝代
author	作者
reciter	朗诵者
sentence_no	句序号
sentence_text	句级原文
original_audio_filename	原始完整音频文件名
audio_filename	切分后的句级音频文件名
start_time	片段在原始音频中的起始时间
end_time	片段在原始音频中的结束时间
duration	当前句级音频时长
cut_status	切分状态
qa_status	质检状态
text_audio_match_status	音文一致性状态
remarks	异常或备注

验收标准

• 所有待处理诗词均完成句级音频切分，或在异常清单中说明未完成原因
• 每段句级音频均对应一条完整诗句，不跨句、不漏句、不重复切分
• 每段音频均可通过 poem_id、sentence_no、文件名在映射清单中定位
• 音频与对应文本不一致的问题已明确标记
• 音频文件可正常播放，无明显文件损坏或首尾截断
• 已将句级音频、映射清单及异常清单交接给 New

依赖与协作

• 文本基准以需求方提供的原始文档及 New 确认的标准化版本为准。
• 切分完成后，请将句级音频、映射清单和异常清单交接给 New。
• 若最终需上传 OSS，New 将整理待上传文件清单并协调 Fynn 处理。