已结束已结束武汉城区方言语音采集及TTS音色克隆系统，预算3万可谈
武汉城区方言语音采集及TTS音色克隆系统‑详尽需求文档
文档版本：V1.1
变更记录：新增AI音频预质检模块；明确A/B业务：一套程序逻辑，存储物理隔离
项目背景：本项目用于武汉城区方言语料采集、数据集沉淀，同时面向普通用户提供自助音色克隆方言TTS能力。上层复用同一套应用代码，底层存储物理隔离，防止两类业务数据串扰。AI预质检为新增增值模块，需单独评估工作量。
重要边界：仅基于开源TTS模型部署适配，不做从零训练基础TTS模型；GPU、云服务器、对象存储、带宽、第三方云资源由甲方提供并承担费用，不在开发范围内。
1 总体架构要求
1. 整体为B/S浏览器网页系统，无需安装客户端。
2. 业务层：一套代码、一套业务逻辑、一套TTS推理服务，后台支持切换业务域访问。
3. 存储层【强约束】：
◦ 业务A（方言采集业务）、业务B（用户自助音色克隆业务）使用相互独立的数据库、独立音频存储目录/对象存储Bucket。
◦ 两套存储物理隔离，数据不可互相读写、不可互相流入；A业务导出数据集绝对不能带出B业务任何数据，B业务也读取不到A业务采集语料。
◦ 可使用同一个数据库实例下两个独立Database库，但禁止仅通过数据表字段、前缀做逻辑隔离作为唯一方案。
4. 新增模块：AI音频预质检（杂音检测），独立音频分析能力，仅做标记辅助人工，不自动做合格/不合格判定、不自动驳回录音。
两大业务定义
• 业务A：武汉城区方言采集业务。面向内部管理员、采集员、质检员，完成录音任务、采集方言原始语料、人工质检、数据集导出，产出模型训练用数据集。
• 业务B：用户自助音色克隆业务。面向外部普通终端用户，自助录制音色采样、输入文本生成武汉话语音、音频下载。
2 业务A：武汉城区方言采集业务功能需求
2.1 账号权限模块
1. 角色：系统管理员、采集员、质检员；全部账号由管理员后台创建，不开放自助注册。
2. 权限划分：
◦ 管理员：全部权限，可管理账号、任务、查看质检、导出数据集、切换业务域。
◦ 采集员：仅可查看分配给自己的录音任务、网页录音提交、重录退回的音频。
◦ 质检员：仅可对待质检音频进行审核操作。
3. 完整操作日志存入A业务独立库：账号变更、录音提交、质检操作、数据集导出全部留痕。
2.2 录音任务管理（管理员后台）
1. 支持新建、编辑、停用采集任务，填写任务名称、描述。
2. 脚本管理：批量导入、新增、编辑、删除武汉方言朗读文本句子。
3. 任务配置项：设置音频输出格式WAV、采样参数、分配给指定采集员、单用户分配句子数量。
4. 任务统计看板：展示待录、已提交、待质检、不合格数量。
2.3 网页录音前端（采集员）
1. 浏览器麦克风录音，录音波形可视化；支持单句重新录制覆盖旧录音。
2. 提交录音前弹出授权确认弹窗：录音人确认该音频可用于方言TTS研发。未确认不能提交。
3. 提交音频自动绑定：文本ID、录音人ID、任务编号，音频文件写入A业务专属存储。
4. 以网页麦克风录制为主，限制随意上传外部音频文件。
2.4 质检审核模块（含新增AI预质检）
1. 录音提交完成后，自动进入AI预质检流程：
◦ AI自动检测：环境杂音、爆音、静音过长、音量过高/过低；输出检测标签，标记在该条音频上。
◦ 规则：AI仅输出提示标签，不做合格/不合格结论，不能自动驳回录音，最终决定权交给人工质检员。
2. 人工质检页面：列表展示待质检条目，在线播放音频，对照方言文本查看AI预质检标签。
3. 人工操作：标记【合格】/【不合格】；不合格必须填写驳回原因（读错、普通话、杂音、音量异常等）。
4. 不合格录音自动退回对应采集员进行重录；支持批量质检操作。
5. 所有质检结果写入A独立数据库。
2.5 数据集导出
1. 筛选条件：任务、采集人员、质检状态、授权状态。
2. 仅导出A业务内已授权、质检合格的语料；输出压缩包，包含WAV音频文件+对应文本标注文件。
3. 强制限制：导出逻辑无法读取B业务任何数据表与音频资源。
3 业务B：用户自助音色克隆业务功能需求
复用系统原有TTS、音色克隆业务代码逻辑；所有数据落至B业务独立数据库、独立音频存储Bucket/目录。
1. 终端用户端：用户自助录制音色采样音频。
2. 支持输入武汉话文本，调用内部TTS服务生成方言语音；支持在线播放、音频下载。
3. 用户录音样本、生成语音、用户业务记录全部隔离在B存储，不会混入A业务数据集。
4. 管理员后台可以切换至B业务域查看业务B的数据，但底层存储和A完全隔离。
4 TTS、音色克隆与API接口需求
1. 选型开源TTS基础模型进行部署，完成武汉话方言效果验证与必要适配，不做基础模型从零训练。
2. 封装用户音色克隆能力、TTS推理接口，提供业务系统调用API，完成接口联调。
3. 共用同一套TTS推理服务，A/B业务请求数据分别落库至各自独立存储，杜绝串数据。
5 部署、交付与验收要求
1. 系统为B/S架构，浏览器访问；交付物包含系统部署、部署配置文档、完整操作使用手册。
2. 交付验收必测项：
1）验证A、B两套业务存储物理隔离；
2）A业务数据集导出，不可读取B业务任何数据；
3）B业务无法读取A业务采集语料；
4）AI预质检模块可正常识别杂音、爆音、音量异常，仅输出标签，不会自动驳回录音。
3. 项目预估周期3个月；因甲方硬件资源未到位、需求变更，工期相应顺延。
6 额外模块说明
AI音频预质检属于新增需求，需单独提供：模块工作量评估、开发周期、所使用开源组件及版权说明。
7 范围外说明
本需求不含以下工作，如需实施，双方另行评估工作量：
1. 从零训练TTS基础大模型；
2. 大规模专项模型优化；
3. 高并发推理集群建设；
4. 第三方商业服务接入；
文档版本：V1.1
变更记录：新增AI音频预质检模块；明确A/B业务：一套程序逻辑，存储物理隔离
项目背景：本项目用于武汉城区方言语料采集、数据集沉淀，同时面向普通用户提供自助音色克隆方言TTS能力。上层复用同一套应用代码，底层存储物理隔离，防止两类业务数据串扰。AI预质检为新增增值模块，需单独评估工作量。
重要边界：仅基于开源TTS模型部署适配，不做从零训练基础TTS模型；GPU、云服务器、对象存储、带宽、第三方云资源由甲方提供并承担费用，不在开发范围内。
1 总体架构要求
1. 整体为B/S浏览器网页系统，无需安装客户端。
2. 业务层：一套代码、一套业务逻辑、一套TTS推理服务，后台支持切换业务域访问。
3. 存储层【强约束】：
◦ 业务A（方言采集业务）、业务B（用户自助音色克隆业务）使用相互独立的数据库、独立音频存储目录/对象存储Bucket。
◦ 两套存储物理隔离，数据不可互相读写、不可互相流入；A业务导出数据集绝对不能带出B业务任何数据，B业务也读取不到A业务采集语料。
◦ 可使用同一个数据库实例下两个独立Database库，但禁止仅通过数据表字段、前缀做逻辑隔离作为唯一方案。
4. 新增模块：AI音频预质检（杂音检测），独立音频分析能力，仅做标记辅助人工，不自动做合格/不合格判定、不自动驳回录音。
两大业务定义
• 业务A：武汉城区方言采集业务。面向内部管理员、采集员、质检员，完成录音任务、采集方言原始语料、人工质检、数据集导出，产出模型训练用数据集。
• 业务B：用户自助音色克隆业务。面向外部普通终端用户，自助录制音色采样、输入文本生成武汉话语音、音频下载。
2 业务A：武汉城区方言采集业务功能需求
2.1 账号权限模块
1. 角色：系统管理员、采集员、质检员；全部账号由管理员后台创建，不开放自助注册。
2. 权限划分：
◦ 管理员：全部权限，可管理账号、任务、查看质检、导出数据集、切换业务域。
◦ 采集员：仅可查看分配给自己的录音任务、网页录音提交、重录退回的音频。
◦ 质检员：仅可对待质检音频进行审核操作。
3. 完整操作日志存入A业务独立库：账号变更、录音提交、质检操作、数据集导出全部留痕。
2.2 录音任务管理（管理员后台）
1. 支持新建、编辑、停用采集任务，填写任务名称、描述。
2. 脚本管理：批量导入、新增、编辑、删除武汉方言朗读文本句子。
3. 任务配置项：设置音频输出格式WAV、采样参数、分配给指定采集员、单用户分配句子数量。
4. 任务统计看板：展示待录、已提交、待质检、不合格数量。
2.3 网页录音前端（采集员）
1. 浏览器麦克风录音，录音波形可视化；支持单句重新录制覆盖旧录音。
2. 提交录音前弹出授权确认弹窗：录音人确认该音频可用于方言TTS研发。未确认不能提交。
3. 提交音频自动绑定：文本ID、录音人ID、任务编号，音频文件写入A业务专属存储。
4. 以网页麦克风录制为主，限制随意上传外部音频文件。
2.4 质检审核模块（含新增AI预质检）
1. 录音提交完成后，自动进入AI预质检流程：
◦ AI自动检测：环境杂音、爆音、静音过长、音量过高/过低；输出检测标签，标记在该条音频上。
◦ 规则：AI仅输出提示标签，不做合格/不合格结论，不能自动驳回录音，最终决定权交给人工质检员。
2. 人工质检页面：列表展示待质检条目，在线播放音频，对照方言文本查看AI预质检标签。
3. 人工操作：标记【合格】/【不合格】；不合格必须填写驳回原因（读错、普通话、杂音、音量异常等）。
4. 不合格录音自动退回对应采集员进行重录；支持批量质检操作。
5. 所有质检结果写入A独立数据库。
2.5 数据集导出
1. 筛选条件：任务、采集人员、质检状态、授权状态。
2. 仅导出A业务内已授权、质检合格的语料；输出压缩包，包含WAV音频文件+对应文本标注文件。
3. 强制限制：导出逻辑无法读取B业务任何数据表与音频资源。
3 业务B：用户自助音色克隆业务功能需求
复用系统原有TTS、音色克隆业务代码逻辑；所有数据落至B业务独立数据库、独立音频存储Bucket/目录。
1. 终端用户端：用户自助录制音色采样音频。
2. 支持输入武汉话文本，调用内部TTS服务生成方言语音；支持在线播放、音频下载。
3. 用户录音样本、生成语音、用户业务记录全部隔离在B存储，不会混入A业务数据集。
4. 管理员后台可以切换至B业务域查看业务B的数据，但底层存储和A完全隔离。
4 TTS、音色克隆与API接口需求
1. 选型开源TTS基础模型进行部署，完成武汉话方言效果验证与必要适配，不做基础模型从零训练。
2. 封装用户音色克隆能力、TTS推理接口，提供业务系统调用API，完成接口联调。
3. 共用同一套TTS推理服务，A/B业务请求数据分别落库至各自独立存储，杜绝串数据。
5 部署、交付与验收要求
1. 系统为B/S架构，浏览器访问；交付物包含系统部署、部署配置文档、完整操作使用手册。
2. 交付验收必测项：
1）验证A、B两套业务存储物理隔离；
2）A业务数据集导出，不可读取B业务任何数据；
3）B业务无法读取A业务采集语料；
4）AI预质检模块可正常识别杂音、爆音、音量异常，仅输出标签，不会自动驳回录音。
3. 项目预估周期3个月；因甲方硬件资源未到位、需求变更，工期相应顺延。
6 额外模块说明
AI音频预质检属于新增需求，需单独提供：模块工作量评估、开发周期、所使用开源组件及版权说明。
7 范围外说明
本需求不含以下工作，如需实施，双方另行评估工作量：
1. 从零训练TTS基础大模型；
2. 大规模专项模型优化；
3. 高并发推理集群建设；
4. 第三方商业服务接入；
已有10人报名*************
*************
评论