SPEECH-COCO

我们的语料库是MS COCO图像识别和字幕数据集的扩展。COCO女士包含与五个字幕配对的图像。然而，它不包括任何言论。因此，我们使用Voxygen的文本到语音系统来合成可用的字幕。

语音作为一种新的方式的添加使MSCOCO能够用于语言习得，无监督的术语发现，关键字发现或使用语音和视觉的语义嵌入领域的研究。