EPIC-SOUNDS

该数据集是一个大规模的音频标注集，涵盖了第一人称视角视频中音频流内的时间范围和类别标签。它包含了78,366个被归类为44个不同类别的可听事件片段。该数据集不仅包括已分类的片段，还包含了未分类的片段，特别注重区分仅基于音频的标签，并评估基于音频的识别模型。作为一个大型数据集，它拥有78,366个片段，旨在支持音频识别和基于声音的动作检测任务。