Jzuluaga/uwb_atcc

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。

UWB-ATCC Corpus is an air traffic control voice communication dataset provided by the Department of Cybernetics at the University of West Bohemia. This dataset contains audio recordings of conversations between pilots and air traffic controllers, with a total duration of approximately 20 hours. The audio format is 8kHz, 16-bit PCM, mono. Each record in the dataset includes detailed information such as audio, text transcriptions, timestamps, and duration, and it is mainly used for research on English automatic speech recognition (ASR) tasks.

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

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。