gilkeyio/AudioMNIST

---
language:
- en
license: mit
size_categories:
- 10K<n<100K
task_categories:
- audio-classification
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
dataset_info:
features:
- name: speaker_id
dtype: string
- name: audio
dtype:
audio:
sampling_rate: 16000
- name: digit
dtype:
class_label:
names:
'0': '0'
'1': '1'
'2': '2'
'3': '3'
'4': '4'
'5': '5'
'6': '6'
'7': '7'
'8': '8'
'9': '9'
- name: gender
dtype:
class_label:
names:
'0': male
'1': female
- name: accent
dtype: string
- name: age
dtype: int64
- name: native_speaker
dtype: bool
- name: origin
dtype: string
splits:
- name: train
num_bytes: 1493209727.0
num_examples: 24000
- name: test
num_bytes: 360966680.0
num_examples: 6000
download_size: 1483680961
dataset_size: 1854176407.0
---
# Dataset Card for "AudioMNIST"
The [audioMNIST](https://github.com/soerenab/AudioMNIST) dataset has 50 English recordings per digit (0-9) of 60 speakers.
There are 60 participants in total, with 12 being women and 48 being men, all featuring a diverse range of accents and country of origin. Their ages vary from 22 to 61 years old. This is a great dataset to explore a simple audio classification problem: either the digit or the gender.

## Bias, Risks, and Limitations
* The genders represented in the dataset are unbalanced, with around 80% being men.
* The majority of the speakers, around 70%, have a German accent

### Citation Information
The original creators of the dataset ask you to cite [their paper](https://arxiv.org/abs/1807.03418) if you use this data:

```
@ARTICLE{becker2018interpreting,
author = {Becker, S\"oren and Ackermann, Marcel and Lapuschkin, Sebastian and M\"uller, Klaus-Robert and Samek, Wojciech},
title = {Interpreting and Explaining Deep Neural Networks for Classification of Audio Signals},
journal = {CoRR},
volume = {abs/1807.03418},
year = {2018},
archivePrefix = {arXiv},
eprint = {1807.03418},
}
```

language:
- 英语（en）
license: MIT许可证（mit）
size_categories:
- 10000 < 样本数量 < 100000
task_categories:
- 音频分类（audio-classification）
configs:
- config_name: 默认配置（default）
data_files:
- split: 训练集（train）
path: data/train-*
- split: 测试集（test）
path: data/test-*
dataset_info:
features:
- name: 说话人ID（speaker_id）
dtype: 字符串类型（string）
- name: 音频（audio）
dtype:
audio:
sampling_rate: 16000 Hz
- name: 数字标签（digit）
dtype:
class_label:
names:
'0': '0'
'1': '1'
'2': '2'
'3': '3'
'4': '4'
'5': '5'
'6': '6'
'7': '7'
'8': '8'
'9': '9'
- name: 性别（gender）
dtype:
class_label:
names:
'0': 男性（male）
'1': 女性（female）
- name: 口音（accent）
dtype: 字符串类型（string）
- name: 年龄（age）
dtype: 64位整数（int64）
- name: 母语使用者（native_speaker）
dtype: 布尔类型（bool）
- name: 来源地（origin）
dtype: 字符串类型（string）
splits:
- name: 训练集（train）
num_bytes: 1493209727.0
num_examples: 24000
- name: 测试集（test）
num_bytes: 360966680.0
num_examples: 6000
download_size: 1483680961 字节
dataset_size: 1854176407.0 字节

---

# 「AudioMNIST」数据集卡片
[AudioMNIST](https://github.com/soerenab/AudioMNIST)数据集包含60位说话人针对0至9每个数字录制的50条英语语音样本。该数据集总计涵盖60名参与者，其中女性12名、男性48名，口音与来源国均呈现多样化特征，年龄跨度为22至61岁。本数据集非常适合用于探索简单的音频分类任务，例如数字识别或性别分类。

## 偏差、风险与局限性
* 数据集中的性别分布不均衡，男性占比约80%。
* 约70%的说话人带有德国口音。

### 引用信息
若您使用本数据集，请引用该数据集原创作者的[论文](https://arxiv.org/abs/1807.03418)：

@ARTICLE{becker2018interpreting,
author = {Becker, S"oren and Ackermann, Marcel and Lapuschkin, Sebastian and M"uller, Klaus-Robert and Samek, Wojciech},
title = {Interpreting and Explaining Deep Neural Networks for Classification of Audio Signals},
journal = {CoRR},
volume = {abs/1807.03418},
year = {2018},
archivePrefix = {arXiv},
eprint = {1807.03418},
}

原始信息汇总

数据集概述

基本信息

• 语言: 英语
• 许可证: MIT
• 数据规模: 10K<n<100K
• 任务类别: 音频分类

配置

• 默认配置:
  • 训练数据: data/train-*
  • 测试数据: data/test-*

数据集信息

特征

• speaker_id: 字符串
• audio: 音频，采样率16000
• digit: 类别标签，包含数字0-9
• gender: 类别标签，包含男性（0）和女性（1）
• accent: 字符串
• age: 整数
• native_speaker: 布尔值
• origin: 字符串

数据分割

• 训练集:
  • 字节数: 1493209727.0
  • 样本数: 24000
• 测试集:
  • 字节数: 360966680.0
  • 样本数: 6000

数据大小

• 下载大小: 1483680961
• 数据集大小: 1854176407.0

搜集汇总

数据集介绍

构建方式

AudioMNIST数据集的构建基于50个英语发音人的数字（0-9）录音，共计60位发音人参与，其中女性12人，男性48人。这些发音人拥有多样化的口音和国籍，年龄介于22至61岁之间。数据集通过将录音分割为训练集和测试集，为音频分类任务提供了基础数据结构。

使用方法

使用AudioMNIST数据集时，用户可以直接通过HuggingFace提供的接口下载并加载训练集和测试集。数据集的结构包括发音人ID、音频数据、数字标签、性别、口音、年龄、母语和来源等信息，这些特征可以用于构建和训练音频分类模型。用户在应用此数据集时应注意其内在的偏差和局限性。

背景与挑战

背景概述

AudioMNIST数据集，创建于2018年，由Becker等人精心构建，旨在为音频信号分类研究提供基础资源。该数据集汇集了60位不同性别、年龄、口音及国籍的发言者所录制的数字（0-9）音频，总计3000个音频样本。其核心研究问题聚焦于简单音频信号的分类，尤其是数字识别与性别识别，对音频信号处理、机器学习等领域产生了显著影响。

当前挑战

尽管AudioMNIST数据集为相关研究提供了宝贵的资源，但在实际应用中仍面临诸多挑战。首先，数据集中的性别比例失衡，男性占80%，这可能导致模型在性别分类上出现偏差。其次，约70%的发言者具有德国口音，这可能限制了模型在处理其他口音或语言时的泛化能力。此外，构建过程中如何有效平衡数据集的多样性与代表性，以确保模型的公平性和鲁棒性，亦是当前亟待解决的问题。

常用场景

经典使用场景

在音频信号处理的学术领域中，gilkeyio/AudioMNIST数据集被广泛用于探索基础的声音分类问题。该数据集包含数字0至9的英语录音，每数字有50个录音，由60位不同口音和地域的男女演讲者录制。其经典的运用场景是构建和训练深度神经网络模型，以实现对录音中数字或性别的准确识别。

解决学术问题

该数据集解决了音频分类任务中的性别和数字识别问题，为研究者提供了一个均衡的音频样本集合，尽管存在性别比例和口音分布上的不平衡。它帮助学者们理解深度神经网络在音频信号分类中的应用和解释性，为音频数据集的偏见、风险和局限性研究提供了实证基础。

实际应用

在实用层面，AudioMNIST数据集被应用于语音识别系统的开发，如自动语音识别（ASR）和语音助手，以提升这些系统对不同性别和口音的识别能力。此外，它也为教育领域提供了丰富的学习资源，帮助学生和研究人员更好地理解音频信号处理和深度学习技术。

数据集最近研究

最新研究方向

在音频信号处理领域，gilkeyio/AudioMNIST数据集以其独特的分类任务备受关注。该数据集以简单音频分类问题为核心，致力于探索数字或性别的识别。近期研究集中于深度学习模型在音频信号分类中的应用，尤其是如何解释和解读这些模型的工作机制。研究者们正努力克服数据集中的性别和口音不平衡问题，以增强模型的泛化能力和公平性。此外，该数据集在推动音频信号处理领域的发展，特别是在模型可解释性方面，具有深远的影响和意义。