miimo-audio-dataset

Edge Audio Dataset 是一个用于音频事件分类（包括声音事件检测和关键词唤醒）的多来源数据集，整合了来自AI Hub、ESC-50、donateacry-corpus、Knocking Sound Effects With Emotional Intentions等多个来源的音频数据，涵盖13个标签：alarm、fire_alarm、water、scream、glass_break、bicycle、gunshot、baby_cry、knock、cat_meow、dog_bark、car_horn和background。原始音频文件经过2秒滑动窗口（50%重叠）分割，并应用时间偏移、增益、高斯噪声、动态范围压缩/扩展、噪声门等组合增强，生成剪辑片段。数据总量为2,778个原始文件和80,049个剪辑片段，均为WAV格式，采样率16 kHz，单声道，float32编码，时长2秒（32,000个样本）。数据集还包含clip_metadata.csv文件，提供每个剪辑的路径、标签、来源文件、起始时间、变体类型、增强标签、是否增强以及原始标签等信息。由于包含ESC-50的CC BY-NC许可内容，整个数据集不得用于商业用途。使用AI Hub数据的用户应直接从AI Hub获取原始文件并遵守其许可条款。训练/验证分割建议按source_file分组以避免数据泄露。此外，数据集还提供了生成MUSAN噪声混合的脚本。Edge Audio Dataset is a multi-source dataset for audio event classification (including sound event detection and keyword spotting). It integrates audio data from AI Hub, ESC-50, donateacry-corpus, Knocking Sound Effects With Emotional Intentions, and several other unspecified sources, covering 13 labels: alarm, fire_alarm, water, scream, glass_break, bicycle, gunshot, baby_cry, knock, cat_meow, dog_bark, car_horn, and background. Original audio files are segmented using a 2-second sliding window (50% overlap) and augmented with combinations of time shifting, gain, Gaussian noise, dynamic range compression/expansion, noise gate, etc., resulting in clips stored in clips_2s/. The dataset consists of 2,778 original files and 80,049 clips, all in WAV format, 16 kHz sampling rate, mono, float32 encoding, 2 seconds duration (32,000 samples). It also includes a clip_metadata.csv file providing path, label, source file, start time, variant type, augmentation label, whether augmented, and original label (only for background class) for each clip. Due to the inclusion of ESC-50 under CC BY-NC license, the entire dataset cannot be used for commercial purposes. Users of AI Hub data should obtain original files directly from AI Hub and comply with its license terms. It is recommended to split training/validation by source_file to avoid data leakage. Additionally, the dataset provides a script (generate_musan_mixes.py) to generate MUSAN noise mixes for further data expansion.

原始信息汇总

Edge Audio Dataset 数据集概述

基本信息

• 许可证: 混合来源（mixed-sources-see-readme），不同来源适用不同许可证，不可作为单一许可证整体分发
• 语言: 韩语（ko）
• 任务类型: 音频分类（audio-classification）
• 标签: 音频、声音事件检测、关键词识别
• 数据规模: 10K < n < 100K

数据来源与许可证

标签	来源	许可证
alarm, fire_alarm, water, scream, glass_break, bicycle, gunshot, baby_cry(一部分)	AI Hub（韩国智能信息社会振兴院）	⚠️ 再分发受限
baby_cry(一部分)	ESC-50 (Piczak, 2015)	CC BY-NC 3.0 — 非商业限定，须注明出处
baby_cry(一部分)	donateacry-corpus	需确认原仓库
knock	Knocking Sound Effects With Emotional Intentions	需确认原发布处
cat_meow, dog_bark, car_horn	来源混杂	需确认
background	上述全部中判定为静音的片段	继承原来源许可证

重要说明

• AI Hub 数据限制: 文件名以 S-2110xx_*、S-2111xx_* 格式开头的文件来源于 AI Hub，其使用条款一般禁止第三方再分发。建议使用者直接从 AI Hub 下载原始数据并同意相应条款。
• 非商业条件: 因包含 ESC-50（CC BY-NC），整体数据集不可用于商业用途。商业用途须剔除 ESC-50 来源的片段（baby_cry/**/ESC50_*）。

数据构成

• 原始文件（raw）: 2,778 个（13 个标签）
• 处理片段（clips_2s）: 80,049 个 = 原始分割 29,040（其中静音判定 7,071） + 增强 51,009
• 片段格式: WAV，float32，[-1.0, 1.0]，16,000 Hz，单声道，2.0 秒（32,000 样本）
• 分割方式: 2 秒滑动窗口，hop 1 秒（50% 重叠），不足 2 秒的余段丢弃
• 静音判定: 将片段分为 100ms × 20 个段，若峰值段 RMS 低于 -30 dBFS 则归类为 background

标签数量分布

标签	raw	clips_2s	独立来源
baby_cry†	336	9,204	325
car_horn	80	771	57
cat_meow	168	2,772	127
dog_bark	118	1,305	106
knock	536	417	85
alarm	403	15,810	395
water	238	6,714	195
scream	94	2,457	90
glass_break	258	12,303	255
bicycle	81	3,747	78
gunshot	297	4,257	254
fire_alarm	169	6,150	167
background	—	14,142	1,058
合计	2,778	80,049

† baby_cry 是原始 울음（AI Hub 人哭声，146 raw / 6,396 clips）与 baby_cry（ESC-50 + donateacry，190 raw / 2,808 clips）的合并值。

⚠️ 原始缺失: integrated_test_labels_0716.csv 登记原始 4,756 个，但磁盘上仅有 2,778 个（gunshot 1,670→297，glass_break 482→258，car_horn 340→80）。补全后可重新运行生成流程。

文件结构

├── <label>/ │ ├── raw/ 原始音频（8~22 秒，background 除外） │ └── clips_2s/ 2 秒分割与增强片段 │ └── part_XX/ （仅超过 10,000 文件的标签，如 alarm、glass_break、background） ├── esc50/ ESC-50 JSON sidecar 190 个 ├── data_augmented/src/ 预处理管道代码 ├── clip_metadata.csv clips_2s 全部索引 └── dataset_labels.csv, integrated_*.csv

Hugging Face 对每目录限 10,000 文件，alarm（15,810）、glass_break（12,303）、background（14,142）以 part_00/、part_01/ 拆分。使用 clip_metadata.csv 的 filepath 列获取路径，该列已包含 part 路径。

文件名规则

• 普通片段: {원본파일명}_{시작초}_{orig|augN-태그[-태그]}.wav
  • 例: ESC50_1-187207-A-20_0_aug1-shf-gan.wav
• background 片段: {원본라벨}__{원본파일명}_{시작초}_{variant}.wav
  • 例: baby_cry__ESC50_1-22694-A-20_0_orig.wav
  • 前缀保留韩文原标签，查询英文标签须用 clip_metadata.csv 的 origin_label 列

clip_metadata.csv 列

列名	说明
filepath	相对路径（如 gunshot/clips_2s/….wav）
label	学习标签（文件夹名，NFC 规范化）
source_file	原始音源文件名（不含扩展名）
start_sec	从原始剪切的起始位置（秒）
variant	orig 或 aug1/aug2（增强编号）
aug_tags	应用的增强组合，+ 分隔（如 shf+gan）
is_augmented	0=原始，1=增强
origin_label	仅 background 片段：静音判定前的原始标签

数据增强

• 每个增强片段随机组合 1~2 种变换（参数见 data_augmented/src/config.py，SEED=42）
• 原始:增强比例 — 事件标签 1:2，background 1:1（保持静音特性）

标签	变换	参数
shf	时间平移	±0.5 秒
gan	增益	-6 ~ +6 dB（background 为 -6 ~ +3 dB）
agn	高斯噪声	幅度 0.001 ~ 0.015
drc	动态范围压缩/扩展	threshold -30~-15 dB, ratio 1.5~3.0（压缩）/1.2~1.6（扩展）
ngt	噪声门	threshold -45~-35 dB, 衰减 12~24 dB

background 标签仅使用 shf、gan（不使用 agn/drc/ngt）。

训练/验证切分注意事项

• 同一 source_file 产生的片段彼此存在重叠区间（50% 重叠 + 增强），因此必须以 source_file 为单元分割，而非片段单元，避免数据泄漏
• manifest 构建器生成 group_id = aug_{source_file}，训练脚本以 --group-col group_id 执行 GroupKFold

4-class 学习方案

类别: baby_cry / bicycle / glass_break / gunshot。读取 clip_metadata.csv 生成 manifest，并按最少类别（bicycle 3,747）进行每类 3,747 个的下采样，共 14,988 行。

类别	原始标签	片段数	平衡后
baby_cry	울음(AI Hub) + baby_cry(ESC-50 + donateacry)	9,204	3,747
bicycle	bicycle	3,747	3,747
glass_break	glass_break	12,303	3,747
gunshot	gunshot	4,257	3,747

MUSAN 噪声离线增强

• 仅混合 MUSAN 的 Noise（不使用 Music、Speech）
• 对 clip_metadata.csv 中全部片段（含既有增强及 background）生成 SNR 20/15/10 dB 混合本，输出至 musan_mixed_2s/<label>/clips_2s/
• 生成结果与元数据由 musan_mixed_2s/<label>/clips_2s/ 与 musan_mix_metadata.csv 管理，完成行与 WAV 并存时重跑将跳过
• 干净信号 RMS 低于 −30 dBFS 时，以 −30 dBFS 为 SNR 计算基准；混合后峰值超过 1.0 时同比例缩小 clean/noise，保持 SNR

搜集汇总

数据集介绍

构建方式

本数据集汇集了多种来源的音频样本，构建了一个面向环境声音事件分类任务的综合资源。其构建过程遵循严谨的流水线，首先对原始音频进行清洗和标注，随后采用2秒滑动窗口（1秒跳跃，50%重叠）进行片段分割，并针对不足2秒的残段予以剔除。在切片基础上，通过应用时间平移、增益调整、高斯噪声注入、动态范围压缩及噪声门控等策略进行数据增强，有效扩充了样本数量。特别地，通过将片段细分为100毫秒子段并计算峰值RMS，精确识别并归属为静音类别的数据，进一步丰富了背景类样本。最终，所有数据整理为统一的WAV格式，并生成详尽的元数据描述文件，确保了数据的规范性和可复现性。

特点

该数据集的特点鲜明，首先体现在其规模与多样性上，共包含2,778个原始音频和80,049个增强片段，横跨13个不同的事件标签，其中既有常见的环境声，也有特定的安全告警声。其次，数据集设计精巧，同时提供原始与处理后的2秒片段，并特别针对类别不平衡问题，对背景类实施了差异化增强策略。此外，数据集的来源多元且授权清晰，明确了各子集的版权归属（如AI Hub， ESC-50等），并严格遵循非商业使用限制。尤为重要的是，数据集的构建注重研究严谨性，提供了基于源文件的分组划分方法，以规避数据泄漏风险，并为特定子集（如MUSAN噪声混合）提供了可再生的生成脚本，增强了研究的可信度。

使用方法

本数据集的使用便捷且灵活，专为音频分类任务设计，可无缝对接流行的机器学习框架。数据集以文件夹结构组织，按标签分门别类，并提供了一份核心的`clip_metadata.csv`索引文件，其中包含了每个片段的文件路径、标签、来源、增强参数等完整信息，极大简化了数据加载流程。用户可依据具体任务，通过筛选元数据轻松构建子集，如进行四分类等专注性研究。数据集内附的生成脚本支持用户复现从原始数据到最终训练数据的完整流水线，并允许按需调整参数。在划分训练与验证集时，需要遵循数据集作者的建议，即以`source_file`为分组依据，确保无重叠，从而获得可靠的模型性能评估。

背景与挑战

背景概述

miimo-audio-dataset（亦称Edge Audio Dataset）是一个专为音频事件分类与关键词唤醒研究而构建的多源混合数据集，由韩国研究团队于2026年整理发布。该数据集整合了AI Hub、ESC-50、donateacry-corpus等多元音频资源，包含13个标签类别，原始音频2,778条，经2秒滑窗分割与数据增强后产生80,049条训练片段。其核心研究问题在于构建一个适用于边缘计算环境的稳健音频事件检测模型，尤其关注婴儿啼哭、枪声、玻璃破碎等安全相关事件。该数据集的发布为音频分类领域提供了大规模、多源异构的基准，促进了跨数据集泛化性能的研究，并引发了对数据许可合规性的广泛讨论。

当前挑战

该数据集面临的挑战多维且深刻。在领域问题层面，音频事件分类需应对真实环境中的背景噪声干扰、事件间声学相似性（如婴儿啼哭与尖叫声）以及类别不平衡（如car_horn样本仅771条，而alarm样本高达15,810条）。在构建过程中，挑战尤为显著：多源数据许可不一致导致商用受限，AI Hub原始数据存在大量缺失（gunshot从1,670条缩减至297条）；2秒滑窗分割产生的重叠片段加剧了数据泄漏风险，需采用source_file级分组策略；Hugging Face平台每目录10,000文件限制迫使对大规模类别进行分卷存储；此外，静音检测阈值（-30 dBFS）的设定在低信噪比环境下易误判，数据增强需在保持事件特征与增加多样性间寻求平衡。

常用场景

经典使用场景

miimo-audio-dataset是一个专为音频事件检测与关键词识别任务精心构建的多源融合数据集，整合了AI Hub、ESC-50、donateacry-corpus等权威音频资源，涵盖13种日常与环境声音类别，如婴儿啼哭、枪声、玻璃破碎、警报等。每个类别均提供原始音频与经2秒滑动窗口切割、数据增强后的标准化片段，总计逾八万条，格式统一为16kHz单声道WAV，便于直接馈入深度学习模型。其经典使用场景聚焦于监督式音频分类、声音事件检测和关键词唤醒系统的基准测试，研究者可基于该数据集训练并评估卷积神经网络、循环神经网络或近期兴起的Transformer架构在环境声音识别上的性能，尤其适用于边缘计算设备上的轻量化模型开发与验证。

衍生相关工作

该数据集的构建与发布衍生了一系列值得关注的相关工作。其引用的ESC-50数据集是环境声音分类领域的经典基准，启发了后续大量音频表征学习研究。数据集内部的预处理流水线（包括2秒分割、静音检测及标签映射）为其他音频数据集的构建提供了可复用的方法论。此外，基于该数据集进行的多源数据整合与许可合规实践，成为处理异构音频数据版权问题的参考案例。在模型层面，研究者利用其丰富标注进行的弱监督声音事件检测和自监督预训练实验，推动了音频Transformer与对比学习方法的演进。数据增强标签（如shf、gan）的细致记录也为音频数据增强策略的系统性评估提供了宝贵资源。

数据集最近研究

最新研究方向

该数据集聚焦于边缘计算场景下的多源声音事件检测与关键词唤醒，融合韩语环境中的告警、婴儿啼哭、枪声等关键声学事件。其前沿研究方向体现在集成多样化的数据源与复杂的数据增强策略，模拟真实世界的噪声干扰与信道变化，以提升模型在低资源设备上的鲁棒性。通过精细的2秒滑动窗口分割、无声音频的自动识别与MUSAN噪声混合，该数据集支撑了基于GroupKFold的防泄漏评估体系，推动轻量化音频分类模型在智能安防、家庭监护及可穿戴设备中的部署，具有显著的工程应用价值与研究意义。