第四章：采集人员与话术设计
好，咱们接着聊。上一章讲了采集设备怎么搭，这一章咱们聊聊「人」和「话」。
说实话，很多团队在车载语音项目上栽跟头，不是技术不行，而是人没找对，话术没设计好。我见过一个项目，采集了500小时的方言数据，结果模型训练出来，唤醒率不到60%。为什么？因为所有发音人都是20多岁的年轻人，说的都是「标准方言」——你想想看，真实开车场景里，哪有那么多年轻人？
4.1 发音人招募：别只盯着「好找」的人
发音人招募，说白了就是找「真人」。但真人之间差别太大了。
4.1.1 年龄分层：覆盖全生命周期
我个人习惯把年龄分成四层：
| 年龄段 | 占比建议 | 典型特征 |
|---|---|---|
| 18-25岁 | 20% | 语速快，爱用网络词，发音清晰 |
| 26-40岁 | 40% | 主力驾驶人群，语速适中，用词规范 |
| 41-55岁 | 30% | 语速偏慢，可能有口音，音量不稳定 |
| 55岁以上 | 10% | 语速明显慢，常有颤音，方言更重 |
我在项目中遇到过一件事：一个55岁的大叔，说「导航到火车站」，结果「站」字发音特别轻，几乎听不见。模型一开始死活识别不出来。后来我们专门补采了一批中老年数据，问题才解决。
4.1.2 性别平衡：别让模型「重男轻女」
男女比例建议6:4或5:5。为什么？因为女性发音的基频更高，共振峰分布和男性差异很大。如果女性数据太少，模型对女声的识别率会明显下降。
我记得有一次，客户反馈说「我家女主人说话车机不理」。一查数据，女性发音人只占15%。嗯，这就是教训。
4.1.3 方言覆盖：不是越多越好
很多新手觉得「方言越多越好」，其实不是。车载场景下，方言覆盖要讲究「精准」。
- 核心方言： 北方官话（占比50%以上）、西南官话、吴语、粤语
- 次要方言： 闽语、客家话、湘语、赣语
- 特殊方言： 根据车型销售区域决定（比如卖到四川的车，四川话必须重点覆盖）
我曾经犯过一个错：为了追求方言种类，每个方言只录了5个人。结果模型训练出来，每种方言都「半生不熟」。后来我学乖了——宁缺毋滥，每种方言至少20人，才能保证数据质量。
4.2 话术设计：脚本是数据的灵魂
话术设计，说白了就是「让发音人说什么」。这部分我踩过不少坑，分享几个关键点。
4.2.1 唤醒词脚本：简单但要有变化
唤醒词一般就几个词，比如「你好，小X」「小X同学」。但设计时要注意：
- 不同语速： 正常语速、快速、慢速各占1/3
- 不同距离： 近场（30cm）、中场（1m）、远场（2m+）
- 不同情绪： 平静、急切、不耐烦（模拟真实驾驶场景）
举个例子，唤醒词脚本可以这样设计：
# 唤醒词采集脚本示例
## 第一部分：标准唤醒（每人20遍）
1. 你好小X（正常语速）
2. 你好小X（快速）
3. 你好小X（慢速，带拖音）
## 第二部分：变体唤醒（每人10遍）
1. 小X同学（正常）
2. 小X小X（快速重复）
3. 嘿小X（带语气词）
我建议每个发音人至少录30遍唤醒词。为什么？因为唤醒词是模型的第一道门槛，数据量不够，误唤醒率会很高。
4.2.2 命令词脚本：覆盖高频场景
命令词是车载语音的核心。我一般按场景分类：
| 场景 | 示例命令 | 采集数量 |
|---|---|---|
| 导航 | 导航到XXX、我要去XXX、附近加油站 | 50条/人 |
| 音乐 | 播放XXX、下一首、音量调大 | 30条/人 |
| 电话 | 打电话给XXX、接听、挂断 | 20条/人 |
| 空调 | 温度调低、风量大点、吹脚 | 20条/人 |
| 车窗 | 打开车窗、天窗翘起、全关 | 15条/人 |
这里有个坑：很多人只录「标准命令」，比如「导航到天安门」。但真实场景里，用户会说「我要去天安门」「天安门怎么走」「帮我导航到天安门」。这些变体必须覆盖。
4.2.3 自由对话脚本：模拟真实交互
自由对话是最难设计的，但也是最有价值的。我一般用两种方式：
- 场景引导法： 给发音人一个场景，让他自由发挥。比如「你刚下班，很累，想听点轻松的音乐，然后回家」。
- 半结构化对话： 设计一个对话框架，但具体内容让发音人自己填。比如「先唤醒，然后说一个导航命令，再说一个音乐命令，最后说一个空调命令」。
我记得有一次，一个发音人在自由对话里说了一句「这破导航，又给我导到死胡同了」。这句话后来成了我们测试集里的经典案例——模型一开始识别成「导航到死胡同」，笑死。
4.3 实战避坑指南
最后，分享几个我踩过的坑：
- 坑1： 发音人招募时只看「会说」，没看「会演」。有些人读脚本像念课文，完全没有驾驶场景的感觉。我后来加了试录环节，不合格的直接淘汰。
- 坑2： 话术设计太「书面化」。比如「请将空调温度调节至26摄氏度」——正常人谁这么说话？改成「空调调到26度」就好。
- 坑3： 忽略了「多轮对话」。很多项目只录单轮命令，结果模型一遇到连续对话就懵。自由对话脚本一定要包含多轮交互。
嗯，这一章就到这里。下一章咱们聊聊采集过程中的质量控制——说白了，就是怎么保证录进来的数据能用。