論文の概要: SsgCaps: A controlled dataset for the evaluation of sound scene generation algorithms

• arxiv url: http://arxiv.org/abs/2609.26854v1
• Date: Tue, 22 Sep 2026 14:26:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.699388
• Title: SsgCaps: A controlled dataset for the evaluation of sound scene generation algorithms
• Title（参考訳）: SsgCaps:音場生成アルゴリズムの評価のための制御されたデータセット
• Abstract要約: SsgCapsは人手による音声シーンのデータセットである。 SsgCapsにはパブリックドメインのオーディオサンプルのみが含まれており、このデータセットをコミュニティに公開しています。
• 参考スコア（独自算出の注目度）: 12.343198479384682
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sound Scene Generation is about the automatic synthesis of artificial sound scenes. We introduce SsgCaps, a publicly available dataset of human-engineered sound scenes wherein each scene matches a precisely structured prompt that guides the sampling process. The corresponding prompts are sampled from a predefined action-based typology that allows extensive sampling while retaining plausibility. SsgCaps is a sound scene dataset derived from the unpublished reference dataset for Task 7 of the 2024 DCASE Challenge edition, which contained private-and public-domain audio samples. In contrast, SsgCaps contains only public-domain audio samples, allowing us to open this dataset to the community. To make this dataset useful to the community, we first elaborate on the rationale for the prompt and dataset structure. We then perform a comparative quantitative analysis of the 2 versions of the dataset. To do so, we compare both versions to the audio synthesized by the SSG algorithms submitted to the challenge using Fr{é}chet Audio Distance (FAD) and Kernel Audio Distance (KAD) as well as perceptual ratings. This analysis shows only small differences, which enables us to recommend the open version for further benchmarking of SSG algorithms.
• Abstract（参考訳）: 音響シーン生成は人工音シーンの自動合成に関するものである。 SsgCapsは、人手による音声シーンの公開データセットで、各シーンが正確に構造化されたプロンプトと一致し、サンプリングプロセスのガイドとなる。 対応するプロンプトは事前に定義されたアクションベース型からサンプリングされ、妥当性を維持しながら広範囲にサンプリングできる。 SsgCapsは、プライベートおよびパブリックドメインのオーディオサンプルを含む2024 DCASE Challengeエディションのタスク7の未発表の参照データセットから派生したサウンドシーンデータセットである。 対照的に、SsgCapsにはパブリックドメインのオーディオサンプルのみが含まれており、このデータセットをコミュニティに公開することができます。 このデータセットをコミュニティに役立てるために、まず、プロンプトとデータセットの構造の理論的根拠について詳しく説明する。 次に、データセットの2つのバージョンの比較定量的分析を行う。 そこで本研究では,Fr{é}chet Audio Distance (FAD) と Kernel Audio Distance (KAD) を用いて,SSGアルゴリズムによって合成された音声と比較した。 この分析はわずかな差しか示さず、SSGアルゴリズムのさらなるベンチマークのためのオープンバージョンを推奨できる。

関連論文リスト

• Synthio: Augmenting Small-Scale Audio Classification Datasets with Synthetic Data [69.7174072745851]
  音声分類データセットを合成データで拡張する新しい手法であるSynthioを提案する。 最初の課題を克服するために、好みの最適化を用いて、T2Aモデルの世代と小規模データセットを整列する。 2つ目の課題に対処するために,大規模言語モデルの推論能力を活用する新しいキャプション生成手法を提案する。
  論文  参考訳（メタデータ） (2024-10-02T22:05:36Z)
• Exploring the Viability of Synthetic Audio Data for Audio-Based Dialogue State Tracking [19.754211231250544]
  我々は、カスケードモデルとエンドツーエンドモデルを開発し、合成音声データセットでそれらを訓練し、実際の人間の音声データでそれらをテストする。 実験結果から,合成データセットのみを訓練したモデルでは,その性能を人間の音声データに一般化できることがわかった。
  論文  参考訳（メタデータ） (2023-12-04T12:25:46Z)
• WavCaps: A ChatGPT-Assisted Weakly-Labelled Audio Captioning Dataset for Audio-Language Multimodal Research [82.42802570171096]
  約400kの音声クリップとペアキャプションを組み合わせた,大規模な音声キャプションデータセットであるWavCapsを紹介した。 オンラインハーベストな生の記述は非常にうるさいし、自動音声キャプションなどのタスクで直接使うには適さない。 本稿では,大規模な言語モデルであるChatGPTを用いて,ノイズの多いデータをフィルタリングし,高品質なキャプションを生成するための3段階処理パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-03-30T14:07:47Z)
• STOP: A dataset for Spoken Task Oriented Semantic Parsing [66.14615249745448]
  エンドツーエンド音声言語理解(SLU)は単一モデルを用いて音声から直接意図を予測する。 Spoken Task-Oriented semantic Parsing (STOP) データセットをリリースします。 人間が録音した音声に加えて、我々はTS生成バージョンをリリースし、エンド・ツー・エンドのSLUシステムの低リソース領域適応の性能をベンチマークする。
  論文  参考訳（メタデータ） (2022-06-29T00:36:34Z)
• Audio-text Retrieval in Context [24.38055340045366]
  そこで本研究では,音声・テキストのアライメントを改善するために,複数のオーディオ機能とシーケンスアグリゲーション手法について検討する。 我々は,事前学習した音声特徴と記述子に基づくアグリゲーション法を用いた文脈音声テキスト検索システムを構築した。 提案システムでは、リコール、中央値、平均値を含むすべての指標において、双方向音声テキスト検索において顕著な改善が達成されている。
  論文  参考訳（メタデータ） (2022-03-25T13:41:17Z)
• Audio-Visual Synchronisation in the wild [149.84890978170174]
  我々は,VGG-Sound Syncという,高い音声・視覚相関を持つテストセットを同定し,キュレートする。 任意の長さの音響信号と視覚信号のモデル化に特化して設計された,トランスフォーマーに基づく多数のアーキテクチャ変種を比較した。 我々は,新しいVGG-Sound Syncビデオデータセットにおいて,160以上の多様なクラスと一般的な音声-視覚同期のための最初のベンチマークを設定した。
  論文  参考訳（メタデータ） (2021-12-08T17:50:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。