数据集概述
本数据集是Charades-STA数据集的扩展，通过"microsoft/speecht5_tts"机器模拟方法将文本转换为音频生成。包含训练、测试音频数据及原始音频压缩包，共3个文件，支持视频定位任务的学术研究，仅限非商业使用。
文件详解
- train_audio.json
- 文件格式：JSON
- 字段映射介绍：训练集音频相关数据，具体字段未提供预览
- test_audio.json
- 文件格式：JSON
- 字段映射介绍：测试集音频相关数据，具体字段未提供预览
- raw_audios.zip
- 文件格式：ZIP
- 字段映射介绍：原始音频文件的压缩包，包含通过语音合成生成的音频资源
数据来源
论文“Unified Static and Dynamic Network: Efficient Temporal Filtering for Video Grounding”
适用场景
- 视频定位模型训练: 用于训练和优化基于语音描述的视频定位算法，提升模型对音频-视频关联的理解能力
- 语音合成应用研究: 分析"microsoft/speecht5_tts"生成音频的质量及在视频任务中的适配性
- 多模态数据融合分析: 探索语音描述与视频内容的关联模式，支持跨模态检索和理解研究
- 学术论文复现: 为相关论文的实验提供标准数据集，确保研究结果的可重复性
