嬰幼兒語料庫人工智能技術的詳細中文資料概述

　　人類嬰兒由于出生時過于虛弱，不具備主動接近成人的行為能力，因此在9個月之前，其主要通過哭聲吸引成人的注意，并向成人表達他的需求。嬰幼兒語料庫是按照一定采樣標準采集的電子數(shù)據(jù)集合，隨著大數(shù)據(jù)時代的到來，語音智能產品已經滲透到移動通信、智能家居、工業(yè)生產等很多領域。語音識別技術逐漸趨于成熟，然而，語音識別產品所依賴的語音數(shù)據(jù)價值變得更加顯著，語料庫成為重要的基礎資源。獨有核心技術，讓AI更進一步。

　　本語料庫采集了近十六萬條語音。錄音采集人來自中國大陸各地，錄制人數(shù)300多人，錄制家庭300多家，采取0-14個月跟蹤家庭錄制，男女比例均衡，音頻總時長1275小時，采集方式為單麥設備。每條音頻單獨存儲為一個文件，并由專業(yè)標注人員手工進行兩級標注。所有標注數(shù)據(jù)都是全檢后再交付，以保證交付數(shù)據(jù)的質量。

　　隨著以深度神經網絡為代表的人工智能技術的發(fā)展，新一輪的人機交互技術熱潮正在興起。在機器視覺領域，由于海量圖像和視覺場景數(shù)據(jù)庫的誕生，催生了人臉識別、姿態(tài)識別、自動駕駛、無人機等領域的技術革新。目前世界上已有的典型的大規(guī)模海量圖像和視覺場景數(shù)據(jù)庫包括，ImageNet、MSCOCO等業(yè)界知名的數(shù)據(jù)庫。

　　在聲音場景和聲音事件的識別領域，技術的發(fā)展已經成熟，然而商業(yè)應用滯后于機器視覺領域的應用。在聲音領域，目前世界上最著名的音頻數(shù)據(jù)庫包括：歐洲的DCASE（聲音場景和事件數(shù)據(jù)庫）和谷歌的Audio Set（包括各類層次結構化的音頻分類數(shù)據(jù)）等。

　　在家庭環(huán)境領域，能夠用來服務于AI應用的聲音數(shù)據(jù)極為缺乏，本產品旨在填補這一空白，為全球的智能家庭環(huán)境的AI應用落地做出貢獻。

　　聲音場景（Acoustic Scene）指的是室內、室外、火車站、餐廳、看電影、聽音樂等實際生活中人們的有聲的生活場景，通過聲音信號的識別來辨識這類場景，就是聲音場景識別；聲音事件（Acoustic Event）指的是根據(jù)短時聲學特征，利用統(tǒng)計學習的建模方法，對不同的聲源所關聯(lián)的事件，進行類別的分類。例如，對哭聲、咳嗽聲、腳步聲，能夠通過聲音頻率特征的分布規(guī)律，進行實時的檢測，發(fā)現(xiàn)家居環(huán)境中的突發(fā)性事件、嬰幼兒的行為事件、家庭成員的異?；顒拥?。