Jun, 2024

一种新的用于行为检测的标记人声信号数据集

PDF
TL;DR基于人类行为的声音信号分类涉及到对语音模式和发言风格的各个方面进行分析。本研究进行了实时数据集收集，参与者被要求以两种不同的方式回答十二个心理学问题：一种是粗鲁的声音（被归类为 “不良行为”），另一种是礼貌的声音（被归类为 “正常行为”）。这些分类在理解不同声音行为如何影响对声音信号的解释和分类方面至关重要。本研究突出了声音音调和发言方式对自动化机器学习系统在声音分析和识别方面的重要性。通过阐明人类行为对声音信号的感知和分类的影响，本研究为更准确和具有上下文感知能力的声音识别技术的开发做出了贡献。
发现论文，激发创造
  • 语音障碍分析：基于 Transformer 的方法

    声音障碍是显著影响患者生活质量的病理状态。然而，由于病理性声音数据短缺以及用于诊断的录音类型的多样性，对这些病理状态的非侵入性自动诊断仍未得到充分探索。本文提出了一种新颖的解决方案，直接采用在原始声音信号上工作的变压器，并通过合成数据生成和数据增强来解决数据短缺的问题。此外，我们同时考虑了多种录音类型，如句子朗读和持续元音发音，通过采用多模态专家集合来对不同数据类型上的预测进行对齐。在公共和私有数据集上获得的实验结果显示了我们解决方案在障碍检测和分类任务中的有效性，并在现有方法上有了很大的改进。

    Jun, 2024

  • 非语言声音检测技术用于失语症言语障碍的研究

    介绍了一种使用口腔非语言声音控制的语音输入系统，该系统适用于语音障碍者；设计了数据集，考虑了模型部署和个性化；经过测试，模型实现了较高的精度和召回率，并且在个性化的情况下工作良好。

    Feb, 2022

  • 非正式对话 v2 数据集

    本研究介绍了一个数据集，有助于评估算法偏见和计算机视觉和语音模型在 11 个属性方面的鲁棒性。数据集包括来自巴西、印度、印度尼西亚、墨西哥、越南、菲律宾和美国的 26,467 个视频。参与者同意将其数据用于评估 AI 模型的公平性并提供了多种人口统计学信息。

    Mar, 2023

  • 口语客服对话中用户请求和抱怨的预测

    该研究通过使用 HealthCall 数据集，评估了自动预测用户请求类型和检测投诉等两项客户关系管理任务，并探索了 14 种特征集作为输入。结果显示，语言特征总是提供最佳结果，并且 Wav2Vec 2.0 特征似乎比 ComPaRe16 特征更适用于这两项任务。嗓音互动特征在使用仅六个特征时在投诉任务上取得了 57% 的成果。

    Jul, 2022

  • Sonos 语音控制偏倚评估数据集：语音助手中人口统计偏倚评估的方法论

    该研究引入了 Sonos Voice Control Bias Assessment Dataset，一个包含控制人口统计学标签的大型数据集，通过针对音乐领域的语音助手请求（1,038 名说话者，166 小时，170k 音频样本，9,040 个唯一标记的转录文本）进行了控制人口统计多样性（性别、年龄、方言区域和种族）。研究还提出了一种统计的人口统计偏见评估方法，适用于这种特定的用例，并利用口语理解度量标准而非转录准确性，我们认为后者更能代表用户体验。通过考虑一对最先进的自动语音识别和口语理解模型，展示了该数据集和统计方法检测人口统计偏见的能力。结果表明在年龄、方言区域和种族之间性能存在统计上显著差异。多变量测试对于阐明方言区域、性别和年龄之间的混合效应至关重要。

    May, 2024

  • 改善病理性语音障碍学习的连续语音

    本研究提出一种新方法，使用连续的普通话语音而不是单个元音，来区分四种常见的声音障碍，并使用离散余弦变换和双向 LSTM 网络，通过大型数据库的实验表明，该方法相对于使用单个元音的系统有显著的准确度和召回率提高以及提高了系统学习声音障碍的能力。

    Feb, 2022

  • 运用机器学习算法检测口语中的情感表达

    该研究使用 MATLAB 函数与机器学习模型分析人类语音中的声音特征，如谐波、周期性、频谱形状等，实现人类情感的识别。通过使用多个数据集进行训练，并对比测试，发现该模型优于现有类似作品。

    Apr, 2023

  • 数字音频取证：盲目人类语音模仿检测

    该论文使用深度学习方法建立了一个分类器，用于区分输入音频是否为真实录制，有助于解决 AI 技术使犯罪和伪造更容易的问题。论文中提供了英语和英阿混合语数据集，并对该分类器进行了人工核查以验证其准确性。

    Sep, 2022

  • MUSAN: 音乐、语音和噪声语料库

    该报告介绍了用于训练声音活动检测（VAD）和音乐 / 语音区分模型的新语料库，该语料库包括来自几种音乐类型的音乐，十二种语言的语音以及各种技术和非技术噪声，我们展示了该语料库在广播新闻上用于音乐 / 语音鉴别和 VAD 用于说话人识别的用途。

    Oct, 2015

  • AVA-Speech: 一部电影中密集标注的语音活动数据集

    本文描述了一个新的数据集，其中含有 YouTube 视频中密集标记的语音活动，目的是为该任务创建一个共享，可用的数据集，并在 AVASpeech 上使用现成的最先进的音频和视觉模型报告基准性能数字，以便于未来的研究。

    Aug, 2018