synthetic_vocal_burts_dramabox
收藏数据集概述
数据集名称：Synthetic Vocal Bursts (DramaBox)
许可证：Creative Commons Attribution 4.0 International (CC BY 4.0)
任务类别：音频分类、文本转音频
语言：英语
数据集规模：1K < n < 10K（2,000个样本）
数据集详情
- 总样本数：2,000个音频片段
- 总时长：约4.2小时（14,992秒）
- 平均时长：7.5秒
- 时长范围：3.0 – 12.0秒
- 采样率：44.1 kHz（WAV格式）
- 性别分布：1,000个女性 / 1,000个男性
- 年龄组：16组（8个女性组、8个男性组）
- 每组样本数：125个
- 独特声音爆发类型：197种
- 生成模型：DramaBox TTS
- 硬件：8x NVIDIA A100 GPU
年龄组
数据集在16个年龄/性别组间平衡（每组125个样本）：
女性组：
- toddler_girl（幼儿女孩）
- pre_puberty_girl（青春期前女孩）
- teenage_girl（青少年女孩）
- young_woman（年轻女性）
- mature_woman（成熟女性）
- middle_aged_woman（中年女性）
- elderly_woman（老年女性）
- senescent_woman（衰老女性）
男性组：
- toddler_boy（幼儿男孩）
- pre_puberty_boy（青春期前男孩）
- teenage_boy（青少年男孩）
- young_man（年轻男性）
- mature_man（成熟男性）
- middle_aged_man（中年男性）
- elderly_man（老年男性）
- senescent_man（衰老男性）
声音爆发分类
数据集使用了扩展的197种声音爆发类型分类体系，来源包括：
- 原始LAION分类：约120个条目（来自LAION Voice-Acting-Pipeline）
- 附加类别：NSFW声音、运动/原始声音、唱歌、哼唱、吹口哨
此外还提供了一个SFW（安全）子集，包含180个条目，过滤了NSFW内容。
分类文件包含在数据集中：
vocal_bursts_taxonomy_extended.json：完整扩展分类（202个条目 + 元数据）vocal_bursts_taxonomy_sfw.json：SFW子集（180个条目 + 元数据）
示例声音爆发类型：捧腹大笑、轻声笑、咯咯笑、窃笑、尖笑、轻声哭泣、痛哭、呜咽、喘息、如释重负的叹息、恼怒的哼声、沮丧的低吼、惊吓咕哝、黑暗中紧张的吹口哨、战斗呐喊、摇篮曲哼唱等。
数据格式
数据集以WebDataset tar分片形式存储在 data/ 目录下：
data/ shard-0000.tar (样本 0001–0500) shard-0001.tar (样本 0501–1000) shard-0002.tar (样本 1001–1500) shard-0003.tar (样本 1501–2000)
每个分片是标准的tar归档文件。每个样本包含两个文件，共享相同的零填充4位键：
{NNNN}.wav— 音频文件（WAV，44.1 kHz）{NNNN}.json— 元数据JSON
元数据字段：
json { "id": 1, "prompt": "A toddler girl performing Nervous Whistling in the Dark, A shaky, slightly off-key whistling used to mask fear in an unsettling environment.", "duration_s": 5.2, "gender": "female", "age_group": "toddler_girl", "age_descriptor": "toddler girl", "vocal_burst_key": "Nervous Whistling in the Dark", "vocal_burst_description": "A shaky, slightly off-key whistling used to mask fear in an unsettling environment." }
使用方式
使用 webdataset（推荐用于流式/训练）：
python import webdataset as wds import json
url = "https://huggingface.co/datasets/laion/synthetic_vocal_burts_dramabox/resolve/main/data/shard-{0000..0003}.tar"
dataset = ( wds.WebDataset(url, shardshuffle=True) .decode("pil") .to_tuple("wav", "json") )
for wav_bytes, metadata_bytes in dataset: metadata = json.loads(metadata_bytes) print(metadata["vocal_burst_key"], metadata["age_descriptor"], len(wav_bytes), "bytes") break
使用 huggingface_hub（下载单个分片）：
python from huggingface_hub import hf_hub_download
path = hf_hub_download( repo_id="laion/synthetic_vocal_burts_dramabox", filename="data/shard-0000.tar", repo_type="dataset", )
直接提取tar文件：
python import tarfile import json
with tarfile.open("shard-0000.tar") as tar: members = tar.getmembers() for m in members[:4]: print(m.name, m.size)
附加文件
prompts_manifest.csv：完整生成清单，包含列：id,prompt,output_path,gender,age_group,vocal_burst_key,vocal_burst_description,duration_svocal_bursts_taxonomy_extended.json：扩展分类（202个条目）vocal_bursts_taxonomy_sfw.json：SFW分类（180个条目）
生成过程
- 从LAION Voice-Acting-Pipeline分类中整理出扩展的声音爆发分类，并添加附加类别
- 对于16个年龄/性别组中的每组，从分类中采样125种声音爆发类型
- 生成文本提示，格式为："A {age_descriptor} performing {burst_key}, {burst_description}"
- 使用DramaBox TTS在8x NVIDIA A100 GPU上分布式合成音频
- 每个样本生成时随机设定3–12秒的时长
引用
如使用本数据集，请引用：
bibtex @dataset{synthetic_vocal_bursts_dramabox_2026, title={Synthetic Vocal Bursts (DramaBox)}, author={LAION}, year={2026}, url={https://huggingface.co/datasets/laion/synthetic_vocal_burts_dramabox}, license={CC-BY-4.0} }
