如果公司有大量的原始音频数据，如何筛选数据，以及起步去建立自己的模型？有哪些要素是必须要有的？

一般把这个问题叫冷启动问题，其实对于冷启动还是有不少的方案，这里主要描述一个比较朴素的流程。因为是原始数据，要先进行标注，那首先要关心的是要筛选什么样的数据送标，这也取决于你这个描述的大量是什么样的量级，以及你想用什么样的方案来去做标注。是全人工还是第三方服务，结果为主，人工为辅，另外还要考虑您接受的成本和标注周期是多少，若想简单些，可能就是全部送去标注。如果不能接受，就需要做筛选。对于筛选，简单来讲会计算它的信噪比，然后提取一些音频的特征，来看整体数据的分布，也会截取一些人声片段去送标，通过类似的方案，目的是要尽量找到更贴近你的业务场景的一些数据去送标。这里理解音频理解跟合成是不太一样的，对于理解可以引入更多的机器辅助的方式，来尽量去降低人工的成本。合成也有一些机器辅助的手段去应用，可是它本身的主观性是很强的，就是标注的难度相比较高，所以他会去依赖于一些有行业经验的专家来进行测听。标注完了以后，对标注后用于训练模型的数据进行挑选，需要先去校验下标注的质量，通过引入一些质检或者做一些交叉校验的方式来验证。另外可能需要重新去分析，因为标注过程中可能会丢弃掉一些数据，或者说有些数据的特性是标注过程中才标注上。数据回来后，也需要根据这些新的特性，或者说其他特性，重新看一下数据分布是否符合预期。无论是哪种方案，最重要的一点就是快，要尽快在效果可接受的情况下，把这个模型落地到实际的业务里，积累业务场景的数据，把数据闭环给打通。很多时候可能刚开始模型性能都一般般，首先要解决的是0到1的问题，后面是1到100的问题，这两个阶段用的策略是不一样的，就是说不用一开始就能把模型做的非常好，要尽快的落到场景里面，积累场景数据，打通闭环，我觉得这个是更为关键的事情。