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

The Flickr 8k Audio Caption Corpus contains 40,000 speech captions for 8,000 natural images. It was collected in 2015 for research on multimodal learning schemes for unsupervised speech pattern discovery. For a detailed description of this corpus, please refer to: D. Harwath and J. Glass, "Deep Multimodal Semantic Embeddings for Speech and Images", 2015 IEEE Workshop on Automatic Speech Recognition and Understanding (ASRU), Scottsdale, Arizona, USA, December 2015, pp. 237-244.

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。