生产级语音 AI 所需的不只是语音数据采集

Kyutai 正在探索开放式语音和多模态 AI 的更多可能，包括实时对话模型和先进的语音生成技术。随着实验室开始开发具有丰富情感表现力的文本转语音技术，现有数据集的局限性开始显现。 基本的语音数据库可以满足清晰度方面的需求，但往往缺乏自然语音所需的情感细腻度、对话多样性和多语言一致性。

构建数据集带来了极大的运营复杂性。录音人员需要在不同录音场次中保持一致的身份特征和录音质量，同时呈现多样的情绪和说话方式。此外，转录文本、情绪标签、非语音事件、发音和元数据也需要在不同语言和不同录音场次中保持准确。为了实现规模化，Kyutai 需要建立一套规范的生产流程，以便持续生成具有丰富表现力的多语言数据。。

为多语言语音数据创建统一的生产流程

Kyutai 与优步 AI 解决方案合作，将语音数据的创建流程整合为一个协同系统，而不是分别独立管理录音、转写、标注和质检。

UAIS 协调了涵盖法语、巴西葡萄牙语、欧洲和拉丁美洲西班牙语以及德语的多语言录音项目。配音演员获得了系统化的指导，旨在拓展情感和语调的表现力，包括富有同理心、讽刺、愤怒、悲伤、哭泣等高强度的说话风格。

该流程将 AI 辅助转录与人工校对相结合，用于生成逐字稿、情感标签、非语音事件及其他元数据。在所有说话人和录音批次中均采用统一的质量标准，使质检成为生产过程中的持续环节，而非最终检查点。

这种运营模式帮助 Kyutai 在项目扩展到更多语言、说话者以及日益复杂的语音需求时，始终保持了一致性。

为多语言表达型语音合成提供详尽数据集

此次合作为 Kyutai 的高表现力语音合成需求量身打造了一套结构化的多语言学习数据源。

除了数据集本身之外，此次协作还建立了一套可复用的流程，用于管理人才、记录质量、标注和验收标准，覆盖分布式语言项目。这样的基础在数据进入模型训练前就降低了差异性，并为 Kyutai 在需求变化时，持续高效地生成后续语音数据集提供了更一致的方法。