amu-cai/nEMO

nEMO是一个波兰语情感语音模拟数据集，包含超过3小时的语音样本，由九名演员模拟六种情感状态：愤怒、恐惧、快乐、悲伤、惊讶和中性状态。数据集还包括每个音频记录的原始和标准化转录，适用于语音情感识别、自动语音识别和文本到语音转换等任务。数据集的结构包括文件ID、音频数据、情感标签、原始文本、标准化文本、说话者ID、性别和年龄等字段。数据集未预定义训练和测试分割，允许研究人员根据需要自行划分。数据集在Creative Commons许可下免费提供。

原始信息汇总

数据集概述

名称: nEMO

语言: 波兰语

许可: Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)

多语言性: 单语

大小: 1K<n<10K

任务类别:

• 音频分类
• 自动语音识别
• 文本到语音

任务ID:

• 音频情感识别
• 音频语言识别
• 情感分析
• 说话者识别

数据集特征

• file_id (字符串): 文件ID，格式为{speaker_id}_{emotion}_{sentence_id}。
• audio (音频): 包含音频数组、路径和采样率的字典。
• emotion (字符串): 对应情感状态的标签。
• raw_text (字符串): 音频的原始（正字法）转录。
• normalized_text (字符串): 音频的规范化转录。
• speaker_id (字符串): 说话者ID。
• gender (字符串): 说话者的性别。
• age (int32): 说话者的年龄。

数据集结构

• 数据实例: 包含多个字段，如文件ID、音频数据、情感标签、文本转录等。
• 数据字段: 详细描述了每个字段的类型和含义。
• 数据分割: 整个数据集作为一个整体提供，未预定义训练和测试分割，以便用户根据特定需求创建分割。

数据集使用

• 音频分类: 主要用于语音情感识别，每个录音标记有六种情感状态之一。
• 自动语音识别: 包含每个音频录音的正字法和规范化转录，适用于自动语音识别任务。
• 文本到语音: 包含带有转录的情感音频录音，适用于开发产生情感表达语音的TTS系统。

数据集统计

情感	样本数量
愤怒	749
恐惧	736
快乐	749
中性	809
悲伤	769
惊讶	669
总计	4,481

许可信息

数据集根据Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)许可提供。

引用信息

引用该数据集时，请参考ACL Anthology上的nEMO论文。