计算机科学 > 声音
[提交于 2023年6月4日
]
标题: MAVD:包含深度信息的第一个开放的大规模普通话音视频数据集
标题: MAVD: The First Open Large-Scale Mandarin Audio-Visual Dataset with Depth Information
摘要: 语音视觉语音识别(AVSR)作为人机交互的重要组成部分,正日益受到研究人员的关注。 然而,现有的可用普通话音视频数据集有限,并且缺乏深度信息。 为了解决这个问题,本工作建立了MAVD,一个包含64名母语中文说话人发出的12,484个发音的新大规模普通话多模态语料库。 为了确保数据集涵盖多种现实场景,开发了一个清理和过滤原始文本材料的流程,以创建一个平衡的阅读材料。 特别是,在数据采集过程中,使用了微软最新数据采集设备Azure Kinect,除了传统的音频信号和RGB图像外,还捕获深度信息。 我们还提供了一个基线实验,可用于评估数据集的有效性。 数据集和代码将在https://github.com/SpringHuo/MAVD发布。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.