AI 语言数据

为语言服务公司和 AI 团队
做语音采集、混说转写和评测

以亚洲语言和语码转换为主,按询盘接单。

先做一个免费试做批次 →
从这里开始
按你的规格先做一个试做批次,再谈承诺
1 · 你发来规格

语言对、场景、格式,以及你心目中一份合格转写长什么样。一页纸就能开始。

2 · 我们录一小批并验证

按你的语域找日常真的混着说的人,在切换点上、按你的转写规范验过,再交到你手上。

3 · 你验收,再决定

批次过了你的审核,产线就按同一份规格跑;没过,你什么都没花。

确定试做批次范围 →
我们做什么
我们做什么,做到什么程度
传为翻译是一家通过 ISO 17100 与 ISO 18587 认证、总部位于北京和香港的语言数据与本地化公司,专注亚洲语言语音数据和面向 AI 训练的语码转换音频。我们用经筛选的母语者固定团队做训练与评测数据,做的正是通用数据供应商不容易找到人的语言和场景。
7在产语言变体
每周批次交付,按工时计费
固定每语种固定团队,非轮换众包
ISO17100 / 18587 认证流程
服务
给模型团队的四条数据线

语音数据采集

脚本式与自发式语音、双人对话、方言录制。说话人由我们招募和筛选,按严格技术规格(采样率、声道配置、录制环境、说话人画像),每批次验证。

语码转换音频

7 个语对已在生产交付,另有 7 个可启动。自然的语码转换说话人,很难靠通用众包平台找到。

转录与验证

多语言转录与验证 QA,按批次交付、按客户准则执行,原始音频到可用训练数据之间的质量关口。

机器翻译与大模型评测

由母语评测员进行充分性、流畅度、排序和 LQA,对模型输出的人类判断,跨语言、成规模地一致执行。

生产怎么跑
一条扛得住每周截止的流水线
质量由人周围的工作流决定,而不只是由人决定。每个批次都走同一条受控路径。
1 · 入库

批次导入、音频-参考对齐检查、范围确认,不匹配在开工前就退回。

2 · 派发

固定语言团队在我们的任务平台上领任务,上下文一批批延续下来。

3 · 生产

按准则作业、per-file 工时记录,产能可预测、问题文件早暴露。

4 · QA

对照书面变体指南做二次复审,指南在每轮修正后更新。

5 · 交付

导出交付,附工时报告和修正记录,同一问题不再出现。

语言覆盖
zh-CN 简体普通话 zh-TW 台湾国语 yue-HK 粤语 ko-KR 韩语 ja-JP 日语 tl-PH 菲律宾语 tr-TR 土耳其语 + 依托万人级译员网络扩展

每个语种实际交付过什么,见亚洲语种产能。要把我们纳入供应商池?见写给供应商管理的说明。

语码转换覆盖
14 个语码转换语对
其中 7 个已在生产交付

语音 AI 至今仍在语码转换语音上失灵,众包平台也无法稳定获取,因为天然会语码转换的人,没法靠筛选"母语"这一项找出来。传为以管理型母语者团队运作:7 个语码转换语对已在生产交付,另有 7 个可启动,每一位贡献者都有书面同意与来源记录。

已在生产交付

粤语–英语(香港)· 普通话–英语(中国大陆)· 台湾华语–英语 · 日语–英语 · 韩语–英语 · 他加禄语–英语(Taglish)· 土耳其语–英语

可启动

印地语–英语(Hinglish)· 马来语–英语 · 泰米尔语–英语 · 印尼语–英语 · 泰语–英语 · 越南语–英语 · 海湾阿拉伯语–英语

为什么选传为
固定团队,
有书面同意和来源记录

单一责任方

一家公司对结果负责。经筛选的贡献者、严格的规格合规、按批次的质量确认。

别人拿不到的亚洲变体

香港粤语、台湾国语、简体普通话及地区变体,外加韩语、日语、菲律宾语、土耳其语等,且在增加。通用供应商当作边缘情况的变体,正是我们的核心。

固定团队,弹性产能

固定语言团队提供稳定内核、语境逐批累积;万人级译员网络在每周量峰时吸收波动,无需每次重新 onboarding。自助平台自动完成派发、交付与 QA 追踪。

知情同意与来源追溯

每位贡献者书面知情同意、每批次来源可追溯,数据来源与授权可审计。

认证与受控

通过 ISO 17100 与 ISO 18587 认证,每次交付都经结构化审校。

公司对公司

我们作为分包生产伙伴,支持大型 AI 平台供应商和数据公司,公司对公司合作。

语音 Agent
在为一句话里换语言的来电者做语音 Agent?

香港、台湾、新加坡、马来西亚、菲律宾的客服语音 Agent,接到的电话往往用一种语言开头、另一种语言结束。公开的语码转换基准显示,这类音频的词错率是单语基线的数倍,而且错误集中在切换点(产品名、数字、句中夹的那个外来词)正好是一通电话的价值所在。模型没见过的分布,没有哪个配置开关能修。

在切换点上量

用你自己的通话场景建一套评测集,按切换点而不是整句平均打分,在你选定引擎或开始微调之前,先看清 Agent 到底错在哪。

用自然切换去适配

适配数据由每天真的在两种语言之间来回的人录制,对齐你的语域(客服通话、预约热线、订单确认),不照稿子念。

覆盖训练用途的同意

每位贡献者的同意都覆盖商业 AI 训练用途,每批带来源记录,数据进生产模型时不留文档缺口。

七个语种在产:粤语、普通话、台湾国语、日语、韩语、他加禄语、土耳其语,各自与英语混说;另有七个随时可启动。从一个试做批次开始,按你的通话场景定范围。

关于价格
为什么它不按众包音频计价

采购语音数据的买方,通常带着一个来自通用采集供应商的小时单价过来。那个数字定的是录音时间,而且它默认「人可以靠筛选母语标签找到」。

这个筛法在这里失效

按「粤语母语者」筛,筛出来的是会说粤语的人,但他们不一定像你的来电者那样在粤语和英语之间来回切。他们会照着稿子念,会把英文词咬得清楚完整。拿到的是一份夹着外来词的单语音频,而这恰恰是通用语音识别本来就处理得了的情形。你真正要买的切换行为(切在哪里、密度多高、切换前那个音节发生了什么)不在里面,而且后期补不回来。

所以筛选本身才是工作量

我们按「日常真的这么说话」来招募,对齐你需要的语域和场景。这一步是整条线里最贵的部分,也是决定音频到底能不能用的那一步。录音反而是便宜的那一半。

来自一条在跑的产线

在一个持续数月、覆盖七个亚洲语言方向、数十个批次的全球 AI 项目上,每批交期都很短,我们的内部交期比客户提前 6 小时,留给内审。筛选看的是「可验证的切换行为」;到第二个月,大多数语种单个任务的用时降到首月的一半以下。

这就是价格的理由:一小时录音很便宜,而一小时错的人,赔掉的是整个批次。

在产
这条产线实际是什么样

语码转换,数周内从试点到规模

为某全球性 AI 项目,在三周内把粤英语码转换录制项目从试点扩展到数百个脚本,批次通过、质量确认。

滚动式转录验证

运行一条覆盖数十种语言变体的滚动式多语言转录验证产线,每周向一家大型 AI 平台供应商的数据供应链交付批次。

双人对话,问题在录音规格里解决

数百条粤英双人客服对话剧本,本地分轨录制。首批返工:耳机漏音把每个人都录进了对方的声道,两条轨的起点也不同步。改法写进了录音规格:每条 take 开头做一次倒数同步、规定入耳式监听与音量、交付前加一道合轨检查。之后的批次一次通过。

客户项目均保密。以上只描述工作本身,不涉及相关方。

为监管时代而设计

溯源优先,从设计开始

AI监管正在把数据文档化变成采购要求。在欧盟AI法案的透明度义务下,AI系统的提供方越来越需要证明训练数据的来源与授权。我们的生产从设计上就是"溯源优先"(每位贡献者的书面同意与来源记录、批次级台账、可审计的交付元数据),让你今天采购的数据,不会成为明天的合规问题。

规格一览
按规格生产
按规格留档

传为按客户规格交付亚洲语言语音与语码转换数据集:16–48 kHz 采样,WAV/FLAC 格式,单声道或分离双声道,覆盖照读、半照读到自然对话语域;说话人构成按性别、年龄段与地区口音配比。每个批次附带批次级技术 QA、可直接入库的元数据,以及书面的说话人同意与来源记录,可支撑 AI 监管的文档化要求。

音频与格式

16–48 kHz WAV/FLAC · 单声道或分离双声道 · 照读/半照读/自然对话 · 按规格配比安静与嘈杂环境。

说话人与覆盖

母语者按性别与年龄段配比 · 地区发音受控 · 语码转换组合含粤英、普英。

QA 与元数据

批次级技术 QA · 说话人 ID、批次 ID、环境与声道标签 · 可加转录验证作为第二层。

常见问题
AI 语言数据
逐条说清

你们的 AI 数据覆盖哪些语言?

亚洲语言及其地区变体(香港粤语、台湾国语、简体普通话及其他中文变体),同时覆盖韩语、日语、菲律宾语、土耳其语等不断增加的语种。也处理粤英、普英等语码转换。

你们有没有现成的数据集可以立即授权?

没有,我们没有现货目录。对亚洲语种的语码转换语音来说,这是实话。决定一份数据能不能解决你的问题的是它的构成:哪个语言对、哪种语域、哪类场景、录于何时。可授权的语码转换语料高度集中在少数几个语言对上,而且其中很大一部分是朗读或合成语音,这类数据用来评测一个系统够用,用来适配一个系统往往不够(我们把公开语料和它们的出处逐一核过一遍)。我们改为按规格定制,从一个贴合你场景的试做批次开始。如果你要的只是评测集,而公开语料正好覆盖你的语言对,我们会直说。

你们如何保证数据来源与知情同意?

每位贡献者在书面知情同意下参与,来源按贡献者和批次追溯。作为通过 ISO 17100 与 ISO 18587 认证、采用固定团队生产的公司,数据来源、授权与处理均可审计。

你们能满足严格的技术规格吗?

能。语音采集遵循严格规格(采样率、声道配置、录制环境、说话人画像、脚本设计),每批次交付前验证。转录与评测按客户准则执行,每批都做 QA。

你们可以作为大型数据公司的分包方吗?

可以,我们以公司对公司的方式,为大型 AI 平台供应商和数据公司提供固定团队,交付通用供应商难以获取的亚洲语言和语码转换音频。

这和众包数据平台有什么不同?

我们用固定的母语者团队生产,由一家公司负责:经筛选的母语者、严格的规格合规、书面知情同意与来源追溯、按批次的质量确认。这在语码转换和低资源亚洲语言变体这类最难的场景里尤其关键。

音频和参考文本不匹配怎么办?

每个批次都走入库对齐检查。不匹配(文件被重新剪辑、脚本被上游修改)在开工前就退回给你。

你们怎么计费、怎么应对波动的量?

语音和验证工作通常按工时计费、per-file 记录,你能清楚看到时间花在哪;采集类按交付单元报价。固定团队提供稳定内核,更大的译员网络吸收每周量峰,无需每次重新 onboarding。

你们的数据生产是否支持 AI 监管(如欧盟 AI 法案)的文档化要求?

是。每位贡献者均签署书面同意;每次交付保留来源与批次记录;元数据可审计。我们不提供法律意见,但生产流程从设计上支持 AI 提供方履行透明度与溯源文档义务。

交付数据的权利归谁?

归委托客户所有,按项目约定的授权结构执行。说话人知情同意以书面收集,覆盖商业化 AI 训练用途;除非另有约定,我们不保留复用权。权利文档(同意范围、许可用途、来源记录)随每次交付一并提供。

交付格式和元数据包含什么?

音频为约定采样率的 WAV/FLAC,保留声道分离;转写与标注为 JSON、TSV 或客户自定义格式;逐条元数据含说话人 ID、人口属性分组、环境与声道标签,外加批次级 QA 结果。按你的管线节奏以安全传输分批交付。

我们自己的内容或数据会被用来训练 AI 模型吗?

只有你委托我们生产的数据才是训练数据,你自己的材料不会。为参考、规格说明或评测目的提供给我们的客户内容,均受标准保密条款约束;如流程中涉及任何 AI 工具,只经由已开启零数据留存(ZDR)与模型训练退出(opt-out)的企业级 API 层处理,我们绝不把客户材料放进免费或消费级 AI 工具。我们交付的数据集授权给委托方,并随附同意范围与来源记录。

对敏感或受监管的工作,我们可以走全程无 AI 参与的纯人工工作流。应要求,我们也可在 NDA 下披露所使用的具体引擎,并签署你方的数据处理协议(DPA)。

你们能获取语码转换语音数据吗?

能,这是我们的核心线之一。自然会语码转换的人,很难靠按母语筛选众包贡献者找到,所以我们用就场景与语域做过简报的母语者团队。目前已有 7 个语对在生产交付:粤语–英语、普通话–英语、台湾华语–英语、日语–英语、韩语–英语、他加禄语–英语、土耳其语–英语;另有 7 个可启动:印地语–英语、马来语–英语、泰米尔语–英语、印尼语–英语、泰语–英语、越南语–英语、海湾阿拉伯语–英语。

照读、自然口语、双人对话三种形态均可,每位贡献者都有书面同意与来源记录。可以先做一个免费试做批次,让你在正式合作前就按自己的规格检验切换点处理和转写规范。

我们的语音产品要接住一句话里换两种语言的来电者,语音识别怎么做到?

把它当数据问题来解决。通用语音识别恰好在语言切换点上崩(嵌入的产品名、数字、借词)因为它是用单语语料训练的,模型没见过的分布,没有哪个配置开关能补上。可行的路径是:用你们自己通话场景的真实语码转换音频做基准测试,按切换点计分而不是整句平均词错率;然后用按你的场景和语域、由天然双语者录制的训练数据去适配模型。

这种按规格录制的生产正是我们做的:预约热线、客服通话、对话形态,按你的领域词表做简报,覆盖上面列出的语码转换语对。

怎么评估一家语音识别供应商在语码转换上的能力?

三个测试,全都不需要点名品牌。第一,用你目标语区的真实语码转换音频做基准(不是供应商的演示集)并按语言切换点计分,而不是整句平均。第二,看命名实体和借词能不能活下来:嵌在另一种语言里的产品名,恰恰是一通电话商业价值最集中的地方,也是模型最容易把它"纠正"成噪音的地方。第三,问系统能用什么数据做适配,如果一家供应商无法用自然语码转换音频微调,它现在的准确率就是它的天花板。

无论最后选哪个引擎,真正拉开差距的是背后的评测集和适配数据。用天然双语者按规格把这两样建出来,就是我们供应的部分。

我们在为客服中心做语音 Agent,来电者粤英混说。需要什么数据,要多少?

两套。先要评测集:你场景里的真实通话或逼真复现,按标记了切换点的规范转写,这样你能在 Agent 真正出错的地方打分。然后才是适配数据,如果评测显示引擎自己补不上那个缺口:由自然双语者按你的语域和词汇录制。要多少取决于错在哪(切换点、领域词汇、还是声学)而试做批次就是用来回答这个的。我们先按你的通话场景定试做范围,再报产线。

产品里同时在跑机器翻译?同一支译员网络也提供 AI 译文的人工审校与评测,ISO 18587 译后编辑与 LQA,按需交付。

训练的模型
需要亚洲语言数据?

告诉我们语言、规格和量级,我们先从一个试做批次开始。

先做一个免费试做批次 →