Flickr Audio Caption Corpus

Flickr 8k 音频字幕语料库包含 8,000 张自然图像的 40,000 条语音字幕。它于 2015 年收集，用于研究用于无监督语音模式发现的多模态学习方案。有关语料库的描述，请参见：D. Harwath 和 J. Glass，“Deep Multimodal Semantic Embeddings for Speech and Images”，2015 年 IEEE 自动语音识别和理解研讨会，第 237-244 页，美国亚利桑那州斯科茨代尔，12 月2015

搜集汇总

背景与挑战

背景概述

Flickr Audio Caption Corpus 是一个2015年发布的音频字幕数据集，由麻省理工大学创建，包含8,000张自然图像对应的40,000条语音字幕。该数据集主要用于无监督语音模式发现和多模态学习方案的研究。