DnR-nonverbal: 包含非言语声音的电影音频源分离数据集
声音
2025-06-10 v2 音频与语音处理
摘要
我们提出了一个用于电影音频源分离 (CASS) 的新数据集，该数据集可处理非言语声音。现有 CASS 数据集仅包含朗读风格的声音作为语音干声。这些数据集与实际电影音频不同，后者更可能包含表演出的声音。因此，在常规数据集上训练的模型往往存在问题，即情绪高涨的声音（如笑声和尖叫声）更容易被分离为音效而非语音。为解决此问题，我们构建了新数据集 DnR-nonverbal。所提数据集在语音干声中包含了笑声和尖叫声等非言语声音。通过实验，我们揭示了当前 CASS 模型在非言语声音提取上的问题，并表明我们的数据集能在合成和实际电影音频中有效解决该问题。我们的数据集可在 https://zenodo.org/records/15470640 获取。
引用
@article{arxiv.2506.02499,
title = {DnR-nonverbal: Cinematic Audio Source Separation Dataset Containing Non-Verbal Sounds},
author = {Takuya Hasumi and Yusuke Fujita},
journal= {arXiv preprint arXiv:2506.02499},
year = {2025}
}
备注
Accepted to Interspeech 2025, 5 pages, 3 figures, dataset is available at https://zenodo.org/records/15470640