URGENT 2025 Challenge Dataset

URGENT 2025挑战赛数据集包括多个语音和噪声数据集，用于语音增强任务。数据集包括DNS5、LibriTTS、VCTK、WSJ、EARS、CommonVoice 19.0和MLS等，涵盖了不同类型的语音和噪声数据。

The URGENT 2025 Challenge Dataset comprises multiple speech and noise datasets for speech enhancement tasks. It includes datasets such as DNS5, LibriTTS, VCTK, WSJ, EARS, CommonVoice 19.0, and MLS, which cover diverse types of speech and noise data.

原始信息汇总

urgent2025_challenge

数据集概述

• 数据集名称: urgent2025_challenge
• 数据集用途: 用于URGENT 2025挑战赛的数据准备脚本。
• 兼容性: 生成的元数据文件与baseline代码兼容。

更新记录

• 2024-11-27: 添加了已知问题的故障排除指南。
• 2024-11-19: 修改了ESTOI评估脚本，使其具有确定性。
• 2024-11-18: 添加了Track 2数据准备所需的缺失文件。
• 2024-11-16: 修改了部分数据准备和评估脚本。

注意事项

• 验证集: 生成的验证集与官方验证集不同，官方验证集数据可从此处获取。
• 数据使用: 默认生成的data/speech_train子集仅用于ESPnet框架中的动态混合。

系统要求

• CPU核心数: >8
• 磁盘空间:
  • Track 1: 至少1.3 TB
  • Track 2: ??? TB
• 数据大小:
  • 语音数据:
    • DNS5 speech: 318 GB
    • LibriTTS: 51 GB
    • VCTK: 12 GB
    • WSJ: 55 GB
    • EARS: 61 GB
    • CommonVoice 19.0 speech:
      • Track 1: 421 GB
      • Track 2: ??? GB
    • MLS:
      • Track 1: 120 GB
      • Track 2: ??? TB
  • 噪声数据:
    • DNS5 noise: 93 GB
    • WHAM! noise: 76 GB
    • FSD50K: 30 GB
    • FMA: 60 GB
  • RIR数据:
    • DNS5 RIRs: 6 GB
  • 其他数据:
    • 默认模拟验证数据: 2 GB
    • 模拟风噪声: 1 GB

使用说明

1. 初始化子模块: bash git submodule update --init --recursive

2. 安装环境: bash conda env create -f environment.yaml conda activate urgent2025

3. 获取Commonvoice数据集链接:

   • 从Common Voice获取v19.0的下载链接。

4. 创建符号链接:

   • 创建wsj0和wsj1数据的符号链接。

5. 配置FFmpeg:

   • 修改simulation/simulate_data_from_param.py中的FFmpeg路径。

6. 运行脚本: bash ./prepare_espnet_data.sh

7. 安装eSpeak-NG:

   • 用于音素相似度度量计算。

故障排除

• MLS数据解压错误: 删除失败的文件并重新运行脚本。
• FMA数据处理警告: 可以忽略。

搜集汇总

数据集介绍

构建方式

URGENT 2025 Challenge Dataset的构建过程涉及多个数据源的整合与处理。首先，数据集从多个公开的语音和噪声数据库中提取，包括DNS5、LibriTTS、VCTK、WSJ、EARS、CommonVoice和MLS等。这些数据经过重新采样和格式转换，以确保一致性和兼容性。特别地，数据集支持动态混合（on-the-fly simulation），通过在ESPnet框架中模拟不同的语音失真，增强了数据的真实性和多样性。此外，数据集还包含了用于评估的RIR（房间脉冲响应）和风噪声模拟数据，以全面覆盖语音增强任务的需求。

特点

URGENT 2025 Challenge Dataset的显著特点在于其高度多样化的数据源和复杂的模拟环境。数据集不仅包含了多种语言和方言的语音数据，还涵盖了从日常环境到专业录音室的各种噪声和失真类型。这种多样性使得该数据集非常适合用于开发和测试语音增强算法。此外，数据集支持动态混合技术，允许在训练过程中实时生成不同的语音失真，从而提高了模型的泛化能力。

使用方法

使用URGENT 2025 Challenge Dataset时，首先需要克隆GitHub仓库并初始化子模块。接着，用户需安装指定的Python环境和依赖库，包括Torch 2.0.1+。数据集的下载和准备过程涉及多个步骤，包括获取CommonVoice数据集的下载链接、设置符号链接以指向WSJ数据、配置FFmpeg路径以模拟风噪声等。完成这些步骤后，用户可以运行准备脚本以生成训练和验证数据。值得注意的是，数据集的默认生成子集仅用于动态混合，而官方验证集则需单独下载。

背景与挑战

背景概述

URGENT 2025 Challenge Dataset是由URGENT 2025 Challenge组织创建的一个专门用于语音增强和噪声抑制研究的数据集。该数据集的核心研究问题是如何在复杂噪声环境下有效提升语音信号的质量和清晰度。主要研究人员和机构包括Kohei 0209等，他们通过整合多种语音和噪声数据源，如DNS5、LibriTTS、VCTK等，构建了一个包含多种语音和噪声类型的综合数据集。该数据集的创建旨在推动语音处理技术的发展，特别是在动态混合和实时模拟方面的应用，对语音增强领域的研究具有重要影响。

当前挑战

URGENT 2025 Challenge Dataset在构建过程中面临多项挑战。首先，数据集的构建需要整合来自不同来源的大量语音和噪声数据，这要求高效的存储和处理能力。其次，数据集的动态混合特性增加了数据准备的复杂性，特别是在确保数据一致性和质量方面。此外，数据集的评估指标如ESTOI的随机性问题也需要解决，以确保评估结果的可靠性和一致性。最后，数据集的存储和处理需求巨大，特别是对于Track 2，需要大量的磁盘空间和计算资源，这对参与者的硬件条件提出了较高要求。

常用场景

经典使用场景

在语音增强领域，URGENT 2025 Challenge Dataset被广泛用于开发和评估语音增强算法。该数据集通过模拟不同类型的噪声和失真，为研究者提供了一个全面的测试平台。经典的使用场景包括在ESPnet框架下进行动态混合（on-the-fly simulation），以模拟实际环境中的语音信号，从而训练和验证语音增强模型的鲁棒性。

衍生相关工作

基于URGENT 2025 Challenge Dataset，研究者们开发了多种语音增强模型和算法，如基于深度学习的噪声抑制技术、多通道语音增强系统等。这些工作不仅在学术界引起了广泛关注，也在工业界得到了实际应用，推动了语音增强技术的商业化进程。

数据集最近研究

最新研究方向

在语音增强和噪声抑制领域，URGENT 2025 Challenge Dataset的最新研究方向主要集中在动态混合（on-the-fly simulation）技术的优化与应用。该技术通过实时模拟不同的音频失真，显著提升了模型的泛化能力和实际应用效果。此外，研究者们也在探索如何通过改进ESTOI（Extended Short-Time Objective Intelligibility）评估方法，使其更具确定性，从而提高评估结果的可靠性和一致性。这些研究不仅推动了语音增强技术的进步，也为相关领域的算法开发和性能评估提供了新的思路和工具。