مقاله Voxceleb-ESP: آزمایش های اولیه که افراد مشهور اسپانیایی را از صدای آنها تشخیص می دهند

چکیده

This paper presents VoxCeleb-ESP, a collection of pointers and timestamps to YouTube videos facilitating the creation of a novel speaker recognition dataset. VoxCeleb-ESP captures real-world scenarios, incorporating diverse speaking styles, noises, and channel distortions. It includes 160 Spanish celebrities spanning various categories, ensuring a representative distribution across age groups and geographic regions in Spain. We provide two speaker trial lists for speaker identification tasks, each of them with same-video or different-video target trials respectively, accompanied by a cross-lingual evaluation of ResNet pretrained models. Preliminary speaker identification results suggest that the complexity of the detection task in VoxCeleb-ESP is equivalent to that of the original and much larger VoxCeleb in English. VoxCeleb-ESP contributes to the expansion of speaker recognition benchmarks with a comprehensive and diverse dataset for the Spanish language.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله Voxceleb-ESP ، مجموعه ای از نشانگرها و نشانگرها به فیلم های YouTube ارائه شده است که باعث ایجاد مجموعه داده های جدید تشخیص بلندگو می شود.Voxceleb-ESP سناریوهای دنیای واقعی را ضبط می کند و شامل سبک های متنوع ، سر و صدا و تحریف کانال است.این شامل 160 مشهور اسپانیایی است که دسته های مختلفی را در خود جای می دهند و از توزیع نماینده در گروه های سنی و مناطق جغرافیایی در اسپانیا اطمینان می دهند.ما دو لیست آزمایش بلندگو را برای وظایف شناسایی بلندگو ارائه می دهیم ، که هر یک از آنها به ترتیب آزمایش های هدف یکسان یا متفاوت با استفاده از برنامه های مختلف ، همراه با یک ارزیابی متقابل زبانی از مدل های پیش ساخته RESNET.نتایج شناسایی اولیه بلندگو نشان می دهد که پیچیدگی کار تشخیص در Voxceleb-ESP معادل Voxceleb اصلی و بسیار بزرگتر به زبان انگلیسی است.Voxceleb-ESP با یک مجموعه داده جامع و متنوع برای زبان اسپانیایی به گسترش معیارهای تشخیص بلندگو کمک می کند.