Jzuluaga/uwb_atcc|航空通信数据集|语音识别数据集

UWB-ATCC Corpus是由University of West Bohemia的Department of Cybernetics提供的航空交通控制语音通信数据集。该数据集包含飞行员与控制员之间的对话录音，总时长约20小时，音频格式为8kHz, 16bit PCM, mono。数据集中的每个记录包括音频、文本转录、时间戳和持续时间等详细信息，主要用于英语自动语音识别（ASR）任务的研究。

原始信息汇总

数据集概述

数据集名称

• UWB-ATCC Corpus

数据集来源

• 提供者：University of West Bohemia, Department of Cybernetics

数据集内容

• 包含航空交通控制（ATCC）中的通信录音，涉及飞行员与控制员的对话。
• 语音数据已手动转录并标注了说话者信息（飞行员/控制员）。
• 音频数据格式：8kHz, 16bit PCM, mono。

数据集规模

• 当前规模：20小时
• 计划未来扩充数据。

数据集特征

• id (string): 录音标识符，用于区分不同录音。
• audio (audio): 音频数据，采样率为16000Hz。
• text (string): 录音的转录文本。
• segment_start_time (float32): 录音片段开始时间。
• segment_end_time (float32): 录音片段结束时间。
• duration (float32): 录音时长，计算方式为segment_end_time - segment_start_time。

数据集分割

• train: 包含11291个样本，总大小为608597323.625字节。
• test: 包含2822个样本，总大小为140620332.25字节。

数据集标签

• audio
• automatic-speech-recognition
• en-atc
• en
• noisy-speech-recognition
• speech-recognition

任务类别

• automatic-speech-recognition

语言

• en (英语)

多语言性

• monolingual

许可证

• cc-by-nc-sa-4.0

支持的任务

• automatic-speech-recognition
• 已适配/微调模型：XLS-R-300m

AI搜集汇总

数据集介绍

构建方式

UWB-ATCC数据集由西波希米亚大学网络与控制系提供，其构建基于空中交通管制（ATC）通信的真实录音。这些录音涵盖了飞行员与空中交通管制员之间的对话，经过手动转录并标注了说话者的角色信息。数据集的音频格式为8kHz、16位PCM、单声道，总时长约为20小时。数据来源包括捷克领空的地面控制、塔台控制、进近控制和区域控制通信，分别对应不同的飞行阶段。

特点

UWB-ATCC数据集的主要特点在于其专注于空中交通管制通信，具有高度的领域特定性。数据集中的音频和文本均经过标准化处理，且提供了详细的元数据，如录音的开始和结束时间、持续时间等。此外，数据集通过ID字段区分了不同说话者的角色，如飞行员（PI）、管制员（AT）或两者混合（PIAT），为语音识别和说话者角色检测任务提供了丰富的标注信息。

使用方法

UWB-ATCC数据集适用于自动语音识别（ASR）任务，尤其是针对空中交通管制通信的领域适应性研究。用户可以通过HuggingFace平台直接访问该数据集，并利用提供的音频和文本数据进行模型训练和评估。数据集的音频采样率为16kHz，适合用于基于Wav2Vec 2.0等预训练模型的微调。此外，数据集的标注信息可用于说话者角色检测和语音分割任务，进一步扩展了其应用场景。

背景与挑战

背景概述

UWB-ATCC数据集由西波希米亚大学网络与控制系提供，专注于航空交通管制（ATC）通信的语音记录。该数据集包含了飞行员与空中交通管制员之间的对话，这些对话经过手动转录并标注了说话者的角色（如飞行员或管制员）。尽管目前数据集规模较小（约20小时），但其独特性在于其专注于特定领域，即航空交通管制通信，这对于自动语音识别（ASR）和文本转语音（TTS）系统的开发具有重要意义。该数据集的创建旨在解决特定领域语音识别的挑战，尤其是噪声环境下的语音识别问题。

当前挑战

UWB-ATCC数据集面临的主要挑战包括：首先，数据集规模较小，限制了模型的泛化能力；其次，航空交通管制通信的特殊性，如专业术语和噪声环境，增加了语音识别的难度。此外，数据集的构建过程中，如何确保转录的准确性和标注的一致性也是一个重要挑战。这些挑战不仅影响了数据集的实用性，也对相关领域的研究提出了更高的要求。

常用场景

经典使用场景

UWB-ATCC数据集的经典使用场景主要集中在自动语音识别（ASR）领域，特别是在航空交通管制（ATC）通信的语音识别任务中。该数据集包含了飞行员与空中交通管制员之间的对话录音，这些录音经过手动转录并标注了说话者的角色（如飞行员或管制员）。通过这些数据，研究人员可以训练和评估语音识别模型，以提高在嘈杂环境下的语音识别准确性，尤其是在复杂的ATC通信场景中。

实际应用

在实际应用中，UWB-ATCC数据集主要用于开发和优化航空交通管制系统中的语音识别技术。这些技术可以应用于自动化的语音转录、实时语音指令解析以及语音辅助决策系统，从而提高空中交通管理的效率和安全性。此外，该数据集还可用于训练语音合成（TTS）模型，以生成逼真的ATC语音指令，进一步推动航空通信技术的智能化发展。

衍生相关工作

基于UWB-ATCC数据集，研究人员开发了多项经典工作，包括基于Wav2Vec 2.0的语音识别模型和BERTraffic系统。Wav2Vec 2.0模型通过预训练和微调，展示了在ATC通信中的优异性能，而BERTraffic系统则专注于联合检测说话者角色和说话者变化，进一步提升了语音识别的准确性和鲁棒性。此外，ATCO2语料库的开发也借鉴了UWB-ATCC的经验，扩展了数据集的规模和应用范围，推动了航空通信领域的研究进展。