夜雨聆风做AI语音软件，最常被问的一个问题：数据从哪来？
AI不是凭空聪明的。它要学，要大量的语音数据。
数据从哪来？三个来源。
第一个来源，自己录。
最简单的来源。自己说，自己录，自己标。
“开灯”，录一百遍。“关灯”，录一百遍。不同人，不同语气，不同场景。
自己录的数据，干净，准，但量少。一个人录，一个月能录几千条。
几千条，够做一个小模型。要做得好，不够。
第二个来源，方言采集。
做温州柳市方言，需要本地人录。找本地朋友，一句句录。
方言采集最难。不是难在录，难在找对人。
要找纯正的本地人，说的是地道方言。口音不纯的，录进去反而乱。
方言采集，慢工出细活。一个方言，采集几个月，很正常。
第三个来源，公开数据集。
网上有一些公开的语音数据集。中文的、英文的，都有。
这些数据集，能用。但质量参差，要筛选。
而且，公开数据集里，方言少。普通话多，方言几乎没有。
做方言，还是得自己采。
三个来源加起来，才能做出好模型。
自己录打底，方言采集做差异化，公开数据集补充。
数据从哪来？从一点一滴积累来。
允董的方言数据，就是这样来的。一个字一个字录，一句话一句话采。
数据够了，AI才准。数据不够，AI就是个摆设。
