Протокол запису
Примітка редакції, 13 жовтня 2026: у цьому дописі описано план збору мовлення, оприлюднений на старті, у лютому 2026. Зараз мовлення збирають через читання вголос коротких будівельних текстів у браузері; польовий протокол нижче лишається планом. Актуальний стан — у журналі змін.
Що працює вже зараз. Учасники записуються в браузері: читають уголос короткі будівельні тексти й можуть змінити слово так, як кажуть там, звідки вони родом. Записи потрапляють до корпусу лише після модерації та за згодою мовця; добірка записів — на сторінці «Голоси».
План на старті (лютий 2026). Запис автентичного будівельного мовлення на обʼєктах потребує ретельно розроблених протоколів польового запису. План передбачав професійні портативні рекордери (Zoom F6, Sound Devices MixPre-6 II) зі спрямованими петличними мікрофонами для ізоляції мовлення від шуму важкої техніки.
Сесії мали проходити на активних будівельних майданчиках на різних етапах — фундаментні роботи, каркасне будівництво, оздоблення — для охоплення повного спектра доменної лексики, з такими метаданими:
- Тип обʼєкта: житлове, комерційне, інфраструктурне будівництво
- Рівень шуму: вимірюється в дБА біля позиції запису
- Умови запису: приміщення, відкрите повітря, напівзакриті простори
Рекрутинг мовців
Різноманітність мовців є ключовою для побудови надійного корпусу для навчання ASR. BUDOVA прагне залучати учасників за трьома напрямками: регіональний діалект (північне наріччя — східнополіський, середньополіський, західнополіський говори; південно-західне — волинський, подільський, наддністрянський, надсянський, покутсько-буковинський, гуцульський, бойківський, закарпатський, лемківський; південно-східне — середньонаддніпрянський, слобожанський, степовий), професійна роль (інженери, керівники ділянок, кваліфіковані робітники) та демографічні показники (вік, стать). Мета — мінімум 200 унікальних мовців зі збалансованим представництвом усіх діалектних груп.
План на старті передбачав рекрутинг через партнерство з будівельними компаніями, профспілками та центрами професійної підготовки в Київській, Львівській, Одеській, Дніпропетровській, Харківській, Закарпатській, Чернівецькій, Івано-Франківській, Волинській та інших областях. Кожен учасник підписує форму інформованої згоди відповідно до GDPR.
Мовці отримують компенсацію за свій час і заповнюють короткі соціолінгвістичні анкети для фіксації діалектних особливостей та професійного досвіду.
Контроль якості
Що працює вже зараз. WAV-завантаження проходять автоматичну перевірку аудіо (server/utils/audio-quality.js): вона декодує PCM, обчислює RMS по кадрах із VAD за перцентилями енергії та повідомляє SNR, пік (dBFS), рівень шуму, бітову глибину та кількість каналів. Записи з браузера (WebM/Opus, MP4/AAC) та завантаження в інших форматах вимірює сам браузер за тим самим алгоритмом (src/utils/audio-quality-client.js), а SNR, пік і рівень шуму зберігаються разом із записом; для Opus SNR виходить на кілька дБ завищеним. Цільовий SNR корпусу — ≥ 20 дБ; записи нижче порогу зберігаються з попередженням qualityWarning у відповіді, щоб їх можна було відфільтрувати під час експорту, а не мовчки відкинути. Серверну перевірку запускають у CI під час кожного деплою на синтетичному фрагменті з SNR 38,7 дБ (tests/fixtures/audio/test-recording.wav), тож сам аналізатор лишається справним.
Транскрипція відбувається у вбудованому редакторі для кожного запису мовлення й поки виконується в один прохід. Для текстових NER-завдань узгодженість кількох анотаторів обчислюється автоматично (каппа Фляйса по вікну сутностей, тобто лише по позиціях, де хоча б один анотатор позначив сутність, + попарний span F1) і показується в адмін-панелі та на публічній сторінці «Узгодженість анотаторів», а зведені мітки записуються в dataset_entries.
У планах. Заходи контролю якості для майбутніх релізів (поки не реалізовано):
- двопрохідна транскрипція з незалежною перевіркою в Praat / ELAN
- валідація вимушеного вирівнювання, що позначає розбіжності аудіо й тексту
- аудит діаризації для записів із кількома мовцями
- анонімізація голосу (перетворення x-vector + зсув висоти тону)
Усе, що в цьому розділі позначено як заплановане, — це дорожня карта, а не робоча функція. Джерело правди щодо реалізованих можливостей — docs/audio-collection.md.
