Vocalsound：一个用于改进人类发声声音识别的数据集
声音
2022-06-22 v2 机器学习
音频与语音处理
摘要
识别人类非言语发声是一项重要任务，并具有广泛的应用，例如自动声音转写与健康状态监测。然而，现有数据集的人声样本数量相对较少或标签含噪。因此，最先进的音频事件分类模型在检测人类发声声音时可能表现不佳。为支持构建鲁棒且准确的人声声音识别研究，我们创建了 VocalSound 数据集，包含来自 3365 名不同受试者的超过 21000 条众包录制的笑声、叹息、咳嗽、清嗓、喷嚏和吸鼻声。实验表明，将 VocalSound 数据集作为训练材料加入现有数据集，可使模型的发声声音识别性能显著提升 41.9%。此外，与先前数据集不同，VocalSound 数据集包含说话人年龄、性别、母语、国家与健康状态等元信息。
引用
@article{arxiv.2205.03433,
title = {Vocalsound: A Dataset for Improving Human Vocal Sounds Recognition},
author = {Yuan Gong and Jin Yu and James Glass},
journal= {arXiv preprint arXiv:2205.03433},
year = {2022}
}
备注
Accepted at ICASSP 2022. Dataset and code at https://github.com/YuanGongND/vocalsound Interactive Colab demo at https://colab.research.google.com/github/YuanGongND/vocalsound/blob/main/colab/VocalSound.ipynb