呢啲聲音係乜。

組成

難度分為容易、普通、困難三層，每次抽取都保持同一個比例。如果純粹隨機抽，可能一次抽到十五段困難嘅、下一次只抽到五段，咁樣兩個分數之間、同其他隊伍之間，都冇得比較。

一段語音入面有乜

每一段都係真實通話錄音，唔係讀稿：customer service 105 段。

三十秒到三分鐘嘅香港粵語。密集嘅中英夾雜、保險同醫療詞彙、逐個數字唸出嚟嘅保單號碼同索償金額、背景雜音、幾個人同時講嘢，以及好多時情緒激動嘅來電者。參考文字稿係連同錄音一齊交付，喺用嚟評任何人之前都會經過篩查。每份參考稿喺計分前都會折返香港繁體，令我哋自己嘅字體問題唔會計你錯；你嘅文字稿唔會被折返，所以寫咗簡體一樣照計錯，而測試結果版會顯示嗰部分佔幾多。每段錄音都會同佢自己嘅參考稿核對：查出係普通話嘅通話會從所有抽取中剔走；如果一份參考稿嘅句子次序同錄音對唔上，就會扣起，等有人親自聽過先算；任何一項檢查都判斷唔到嘅語音，一樣會扣起。每通電話嘅關鍵事實另外記錄，令資料抽取都可以評分。

點解要登入先攞得到

將名同保單號碼從錄音入面移走，並唔等於去識別化。聲音本身係生物特徵識別資料；根據香港《個人資料（私隱）條例》，聲紋無論講咗啲乜，都係關於該名說話者嘅個人資料。將真實客戶嘅聲音做成一個匿名、永久、公開嘅下載，同一個受控嘅評測，喺性質上係兩回事。

所以每一段真實語音都只會發放畀一位已接受條款、身分明確嘅收件人。申請會喺一個工作天內處理，而對任何有真實系統嘅團隊嚟講，批核只係手續。如果日後我哋要公開一份可供引用嘅永久語料，嗰份會係由配音員錄製，而唔係來自客戶通話。

處理流程

遮蔽

喺任何資料進入評測平台之前，姓名、保單同身分證號碼、電話號碼都會從語音同文字稿兩邊移除。

覆核

由粵語母語覆核員確認遮蔽做得徹底，並且音質經處理後仍然可用。業務專家會抽樣覆檢。

模擬錄音

如果真實錄音未能覆蓋某啲邊緣情況，會由母語者按劇本額外錄製。呢啲語音喺語料庫入面有標示，計分方式完全一樣。

保留期

原始錄音喺遮蔽通過覆核之後即時刪除。評測用嘅副本喺本屆結束後三十日刪除，並會發出刪除證明。

已知限制

講清楚呢啲，本身就係語料說明嘅一部分，唔係擺喺最尾嘅免責聲明。呢套語料只涵蓋香港粵語，並不代表廣東或者海外嘅粵語變體。語料來自單一一間保險公司，所以詞彙會偏向嗰間公司嘅業務。模擬錄音係演出嚟嘅，而演員做唔出真正情緒激動嘅來電者嗰種不流暢。說話者嘅背景分布，就係打過嚟嗰批人嘅分布，並唔係一個平衡樣本。

語料池亦都仲細過佢最終應有嘅規模。以目前輪換池 56 段、每次抽 30, 100%。喺各個時段之間持續擴充語料池，先至令分數保持係一個量度，而唔係一個記憶測驗。

喺一次執行可以抽到嘅 105 段錄音，每一段嘅標準答案都係由人一邊聽電話一邊寫低，亦都喺我哋呢邊對住佢自己嘅音檔確認過。做呢輪確認嘅時候，同時搵到並改正咗當中嘅問題——簡體字，以及本身講緊普通話而唔係廣東話嘅通話。