▋前言

在 Day 16 我們談到資料探勘 (EDA) 的一般流程。今天，我們要把這些步驟實際應用在 AMI Meeting Corpus —— 一個包含多講者會議錄音與逐字稿的語料庫。這套資料特別適合檢測我們的「語者分離與識別」模組，因為它的挑戰性很高。

▋內容

AMI Meeting Corpus 的特色

1. 多人會議場景：每段錄音都有 3–5 位講者，常常互相打斷。

2. 逐字稿與時間戳：官方提供完整逐字稿與時間標註。

3. 聲音重疊 (overlap speech) 比例高，對於 speaker diarization 是極大挑戰。

4. 語速與口音差異大：涵蓋不同母語者的英文，模擬線上教學中常見的多樣性。

EDA 探勘重點

1. 錄音長度統計

   • 大部分會議長度在 20–60 分鐘。

   • 確認是否需要分割成較短的片段再送入 STT。

2. 語者分布

   • 平均每場會議約 4 人。

   • 可分析每位講者的發言比例，例如「某人佔比 40%，其他人 20%」。

3. 重疊語音比例

   • 約 10–15% 的時間存在多人同時說話。

   • 這部分會讓 NeMo 的 diarization pipeline 難以正確切分。

4. 逐字稿品質

   • 人工轉錄的逐字稿相對可靠，但有些標註可能略為不精確（例如 time alignment 偏移）。

結論
AMI 適合用來「壓力測試」系統，驗證我們的 speaker diarization 模組在困難場景下的表現。

▋下回預告

下一篇將探勘 Mozilla Common Voice，這是一個開源眾包資料集，幫助我們檢視「多口音與開放場景」的挑戰。

▋參考資料

AMI Corpus
Speaker Diarization with AMI dataset (Pyannote Notebook)
圖片源自AMI Corpus官網