Spotify 播客数据集
计算与语言
2020-12-08 v3
摘要
播客是一种相对较新的音频媒体形式。其剧集定期发布,且格式与正式程度各异:既可以是正式的新闻报道,也可以是闲聊对话;既可以是虚构内容,也可以是非虚构内容。播客正迅速普及,却相对缺乏研究。作为一种音频形式,播客在风格与制作类型上比广播新闻更为多样,且包含的题材远多于视频研究中通常所考察者。因此,该媒介是一个丰富的领域,为信息检索(IR)与自然语言处理(NLP)社区提供了诸多研究途径。我们提出 Spotify 播客数据集,其中包含约 10 万集播客剧集的原始音频文件及相应的 ASR 转写文本。该数据集包含超过 47,000 小时的转写音频,比以往的语音转文本语料库大一个数量级。
引用
@article{arxiv.2004.04270,
title = {The Spotify Podcast Dataset},
author = {Ann Clifton and Aasish Pappu and Sravana Reddy and Yongze Yu and Jussi Karlgren and Ben Carterette and Rosie Jones},
journal= {arXiv preprint arXiv:2004.04270},
year = {2020}
}
备注
4 pages, 3 figures