本指南面向参与或组织“搜狗输入法语音方言采集”的个人与机构，逐条说明目标、参与条件、录音设备与环境标准、脚本与自由话语采集策略、标注与元数据要求、质量控制、隐私与授权、补偿与提交流程，并附常见问题与示例，帮助你在实际操作中快速上手、避免常见错误。

为什么要做方言语音采集？先讲清楚目的

把方言语音看成输入法的“耳朵”。没有代表性的方言数据，语音识别模型听不懂地方口音，输入体验就差。采集的目标通常包括：

• 提升语音识别（ASR）对不同方言的识别准确率；
• 构建更丰富的语音合成（TTS）与语言模型语料库；
• 收集方言词汇、口语表达与常见口误用于数据增强；
• 支持产品本地化与区域化体验。

谁可以参与？参与者资质与注意事项

参与者应为愿意并能按要求提供语音样本的自然人或组织代表，一般要求如下：

• 年龄与语言背景：成年优先（若涉及未成年人，需家长书面同意），标注母语与第二语言水平；
• 方言代表性：明确常住地、出生地与成长地，便于判断方言属性；
• 语言健康：无严重听力或发音疾病（如严重失语、外科术后影响发音等），如有应注明；
• 设备与网络：能使用指定录音方式（手机App或网站录音）并具备稳定网络提交样本。

录音设备与环境：为什么要讲究？

录音质量直接影响模型训练效果。把录音环境想像成“采集的底色”，底色好，后续修补成本低。

设备要求

• 优先使用外接麦克风或带有降噪功能的耳机麦克风；
• 手机录音应使用主流操作系统自带录音或官方App，采样率建议16kHz/16bit以上；
• 文件格式建议WAV（PCM）或高质量FLAC，单声道（mono）。

环境要求

• 尽量在安静室内录音，避免交通噪音、风声、空调嗡嗡声等干扰；
• 录音时保持设备距离口腔约10-20厘米，避免风噪和爆破音；
• 若必须在户外录音，记录环境标签（如“街道/餐厅/车内”），并尽量在噪声较低时间段录制。

采样计划：怎样安排录音任务

把采样想成菜谱，要兼顾“固定菜”和“随意口味”。通常包含两类录音任务：

1. 朗读语料（脚本）

目的在于获得标准句子层面的对齐数据，便于声学建模与强监督训练。脚本设计原则：

• 覆盖常用词汇、方言词与特征音位；
• 句子长度多样（短句、复合句、疑问句、感叹句）；
• 总量控制：每位参与者建议朗读时长30分钟到2小时不等，可分多次完成；
• 脚本示例：日常问候、菜名、数字、地名、方言表达短句。

2. 自由话语（自然对话与描述）

用于捕捉自然语速、连读、省略与填充词（“那个、然后、嗯”）等真实现象。指导要点：

• 给出话题提示（如“讲述你的一次家乡记忆”或“描述早晨的出行”），鼓励自然表达3-5分钟；
• 若是对话采集，保留对话双方标注，控制主题与时间；
• 提示参与者尽量使用方言中常用表达，不强制使用普通话词汇。

标注与元数据：一条录音需要记录哪些信息？

元数据是语音数据的身份证。完善的元数据能让数据可筛选、可统计，也方便后期模型按人群调优。

字段	示例/说明
录音ID	唯一标识（比如：SG_20250624_0001）
参与者ID	匿名化ID，不直接保存真实姓名
性别	男/女/其他/不愿透露
年龄段	如：18-24、25-34等
出生地/成长地/现居地	省市区，便于界定方言归属
方言标签	如：上海话/粤语-广府/四川话-成都片等
设备信息	手机型号或麦克风型号
录音时长	秒或分钟
录音环境	室内/室外/车内/餐厅，噪音等级
文件格式与采样率	WAV 16kHz 16bit mono
授权状态	是否签署同意书与使用范围

质量控制流程：如何保证数据可用？

好的数据质量比数量更关键。常规流程分为自动检测+人工复核两步：

• 自动检测：检查采样率、位深、声道、时长是否合规；计算信噪比（SNR），剔除低于阈值的样本；检测静音片段比例与爆破音。
• 语音内容检测：对朗读样本进行文本对齐，核对错读率；对自由话语进行关键词抽检，确认是否偏题或机械重复。
• 人工复核：听审随机样本，标注发音错误、口误、外语插入、隐私敏感信息等，并对错误类型做统计。
• 反馈与重录：对不合格样本发出重录请求或扣减相应报酬（若协议中有约定）。

隐私、授权与合规：必须讲的“法律与伦理”

采集语音同时采集个人信息，涉及个人隐私与肖像权（声音肖像）。基本要求：

• 知情同意：在采集前向参与者说明数据用途、保存期限、是否会用于第三方、是否用于商业化模型与产品，并取得书面或电子同意；
• 匿名化处理：尽可能将姓名、联系方式等可直接识别信息与语音分离或不保存；
• 敏感信息屏蔽：若录音中出现身份证、银行卡等敏感信息，应标注并在存储或开放前做处理或删除；
• 数据访问控制：严格限定内部访问权限并保留访问日志；
• 合规审查：遵守所在地与参与者所在地的个人信息保护法规（如《个人信息保护法》），并在跨境使用时评估合规风险。

补偿、激励与参与者关怀

好的激励制度能提高参与率与复录率。常见做法：

• 按录音时长或合格样本数付费；
• 设立阶梯奖励，鼓励长期参与与高质量输出；
• 对完成较多且质量优良的参与者给予额外奖金或兑换券；
• 在征集说明中明确支付方式、结算周期与争议解决通道；
• 对参与过程中出现问题的人员提供技术支持与心理关怀渠道（例如录音过程中不适应方言表达者）。

提交流程与示例：一步步来

把提交想成寄包裹，有打包、填单、寄出、验收几步。

• 注册与同意：参与者在平台注册、完成实名认证（如需）并签署采集同意书；
• 下载任务/脚本：平台推送脚本或话题，标注目标时长与任务编号；
• 录音并上传：用App录音或本地工具生成符合格式的文件，按录音ID命名并上传；
• 自动质检反馈：平台返回基本合格状态或错误提示并允许重录；
• 人工复核：合格后进入人工复核并最终确认可用；
• 结算：通过审核后按约定方式结算补偿。

录音脚本示例（短句与话题提示）

• 短句：今天天气很好、我要去菜市场、你吃了吗？、一共有三百二十元。
• 方言词：填写若干本地方言常用词，如“嘎达（东西）”、“侬好”（上海话）等；
• 话题提示：请讲述一次印象深刻的家乡节日，3分钟左右；

常见问题（FAQ）与排查技巧

Q：录音背景噪声太大怎么办？

A：尽量换到安静室内或靠近厚窗帘、衣柜的地方，靠近麦克风但不要贴嘴；必要时使用口罩式录音法（把头向衣服靠近形成临时“反射屏”），但要记录环境标签。

Q：如何判断录音质量是否合格？

A：先看技术指标（采样率/格式/单声道/时长），再用听感抽检，检查是否有持续噪声、断句、错读或包含敏感信息；若自动检测通过但人审不通过，按人审意见重录。

Q：是否允许在录音中夹杂普通话或外语？

A：可以接受自然交替（方言中常带普通话词汇是常态），但需在元数据中标注“夹杂语言”，并在标注阶段给予特殊标签以便后续筛选。

示例流程图（文字版）

注册→签署同意→领取任务→录音（朗读/自由）→提交→自动质检→人工复核→结果反馈→结算

一些实操小技巧（像在厨房里试菜那样）

• 录音前吞几口水润喉，休息10秒再开始，避免口干引起的噪声；
• 分段录制长任务，给自己5-10秒缓冲时间，便于剪辑与重录；
• 如果设备支持，开启降噪与固定增益，但注意不要破坏原始声学特征；
• 遇到难发音或方言词，先练几遍再正式录，减少错读率与重录成本。

数据使用与后续开放策略

采集后数据如何使用应在同意书中明确：是否用于模型训练、学术研究、商业化产品或第三方共享。常见做法包括：

• 内部模型训练使用并对外发布汇总统计数据；
• 对外共享时做匿名化和敏感信息屏蔽；
• 对学术研究提供受控访问，签署数据使用协议（DUA）。

好，写到这里，东西已经不少了——如果你现在准备动手，可以先从小样本开始，跑一轮质检流程，看有哪些疏漏，再扩大规模。实操里常常会遇到意想不到的问题（比如某些方言内部差异比你想象的大），那就按上面的质检反馈机制调整脚本与采集要求。祝你采集顺利，别忘了把参与者的权益放在首位。