Spatial LibriSpeech：用于空间音频学习的增强数据集
声音
2023-08-21 v1 人工智能
机器学习
音频与语音处理
摘要
我们提出 Spatial LibriSpeech，一个包含超过 650 小时 19 通道音频、一阶 ambisonics（高阶声场）和可选干扰噪声的空间音频数据集。Spatial LibriSpeech 专为机器学习模型训练设计，包含声源位置、说话方向、房间声学及几何的标签。Spatial LibriSpeech 通过将 LibriSpeech 样本在 8k+ 个合成房间中辅以 200k+ 种模拟声学条件增强生成。为展示数据集效用，我们在四项空间音频任务上训练模型，在 3D 声源定位上获得 6.60{\deg} 中位绝对误差，距离上 0.43m，T30 上 90.66ms，DRR 估计上 2.74dB。我们展示相同模型对广泛使用的评测数据集泛化良好，例如在 TUT Sound Events 2018 上 3D 声源定位中位绝对误差 12.43{\deg}，在 ACE Challenge 上 T30 估计 157.32ms。
引用
@article{arxiv.2308.09514,
title = {Spatial LibriSpeech: An Augmented Dataset for Spatial Audio Learning},
author = {Miguel Sarabia and Elena Menyaylenko and Alessandro Toso and Skyler Seto and Zakaria Aldeneh and Shadi Pirhosseinloo and Luca Zappella and Barry-John Theobald and Nicholas Apostoloff and Jonathan Sheaffer},
journal= {arXiv preprint arXiv:2308.09514},
year = {2023}
}