CitySpeechMix语音与城市声音混合模拟数据集

数据集概述

本数据集是模拟音频数据集，将LibriSpeech的语音片段与SONYC-UST的环境录音混合，生成语音与背景噪声的受控混合数据。包含三百七十一条混合音频和三百七十一条无语音城市环境录音，每条音频时长十秒，附语音转录和环境声音类别标签。

文件详解

• 压缩文件:
• cityspeechmix.zip: 包含数据集核心内容，分为两个子文件夹
• sonyc_librispeech_mixtures: 三百七十一条语音与城市背景噪声混合音频
• sonyc_unmixed_subset: 三百七十一条峰值归一化的无语音城市环境录音
• stems.zip: 包含混合音频的原始语音和背景声音源文件
• 元数据文件:
• metadata.csv: CSV格式，字段包括音频文件名、SONYC文件关联、LibriSpeech文件关联、语音转录文本、SONYC声音类别标签、AudioSet对应标签等

数据来源

• LibriSpeech
• SONYC-UST v2

适用场景

• 语音匿名化系统研发
• 鲁棒性自动语音识别（ASR）模型训练
• 含语音背景下的城市声音分类研究
• 音频降噪算法性能评估
• 环境声音与语音交互影响分析