“重點是人多，外包團隊每天做幾萬條，使用者任務一上線，說不定一天就能完成幾百萬條，進度會快很多。”
成文飛也被馬樂這個想法給打動了，對啊，紅星手機的使用者不都是現成的標註員嘛，而且數量那麼多，會讓專案進度大大加快，於是接著問：“那聲音採集呢？”
“也可以做。”
馬樂來了精神：“不光讓使用者聽音訊、選文字，還可以讓他們讀指定句子，錄一些自然語音片段，用會員和報酬換他們參與。”
“家庭環境裡的錄音，噪聲會很多。”
“這正是價值。”馬樂拍了拍桌子，“傳統資料大多在錄音棚裡採，乾淨是乾淨，但和真實使用場景有距離，咱們採集的是手機麥克風、客廳、廚房、街道、車裡這些環境的語音。”
“用這種資料訓練以後，在手機上、家裡有背景噪音的場景，識別效果反而可能比訊飛那種錄音棚資料集更好。”
實驗室裡安靜下來。
成文飛看著他，沒有馬上回答。
過去十年，他接觸的專案大多圍繞實驗室和醫院，資料採集靠的是裝置、志願者和專業人員。
他習慣從最嚴格的條件出發，把每個變數控制在手裡。
可是語音助手面對的是普通人。
使用者不會在安靜的錄音棚裡說話，也不會提前調整麥克風角度。
有人一邊做飯一邊喊它，有人開著電視說指令，有人在車裡讓它導航。
真實環境本身就是資料。
“隱私和授權怎麼處理？”成文飛問。
馬樂回答得很快：“任務頁面寫清楚用途，使用者主動參與，單獨授權。敏感內容不能採，自動過濾姓名、身份證號、住址、銀行卡這些資訊。採集完成後先過系統篩查，再進人工複核。”
“資料儲存呢？”
“按脫敏後的編號存，訪問許可權分級。杜文那邊負責系統接入，實驗室只拿經過篩選的語料。”
成文飛翻看著手裡的資料，心裡已經開始計算訓練週期。
資料量一旦起來，網路迭代就能加快。
哪怕普通使用者資料不夠精細，也能先把基礎識別能力托起來，再用專業樣本做修正。
“可以先做一個小規模測試。”
馬樂立刻點頭：“我去找杜文他們對接。”
馬樂一溜煙跑了出去。
何愷明看著門口，笑著說：“馬總還真是說幹就幹。”
成文飛也笑了一下：“這位不愧是陳總最看重的紅星的千里馬，有他在，能省我們太多麻煩，只管把研發做好就行。”
