AVSpeech数据集介绍

去发现同类优质开源项目:https://gitcode.com/

AVSpeech数据集是一个大规模的视听数据集，旨在为研究者提供无干扰背景信号的纯净语音片段。这些语音片段时长不一，介于3至10秒之间，保证在每一个片段中，视频内的唯一可见面孔与音频中的声音均属于同一位说话者。

数据集特点

• 视频时长：3至10秒不等
• 视频数量：约4700小时视频片段
• 说话者数量：约150000个不同说话者
• 多样性：涵盖各种人物、语言和面部姿势

文件下载

我们提供了两个CSV文件供下载，分别为：

1. train.csv：大小为128MB，包含270k视频片段注释。
2. test.csv：大小为9MB，包含22k视频片段注释。

CSV文件格式

CSV文件中记录的信息包括：

• YouTube ID：视频的唯一标识
• 开始片段：片段开始的时间点
• 结束片段：片段结束的时间点
• X 坐标、Y 坐标：说话者脸部的中心点坐标，相对于帧大小进行标准化，坐标范围从(0.0, 0.0)到(1.0, 1.0)。

注意事项

• 训练集和测试集的说话者是互不相同的。

本数据集适用于语音识别、面部识别、视听同步处理等多种研究领域，为相关研究提供了丰富的资源。

去发现同类优质开源项目:https://gitcode.com/