论文
ChildVox：理解和表征整个童年声音的语音、音频和大型音频语言模型基准
ChildVox: A Speech, Audio, and Large Audio-Language Model Benchmark in Understanding and Characterizing Sound across Childhood
摘要
我们推出了 ChildVox，这是一个新颖的基准，用于表征儿童交流的各种声音信号。具体来说，ChildVox 遵循从出生到学龄的完整发展轨迹，涵盖生理声音、非语言发声、规范音节和口语。 ChildVox 集成了 17 个以儿童为中心的音频和语音数据集的 20 多个子任务，实现了系统的跨语料库和跨领域比较。我们评估了一系列代表性的音频和语音基础模型，包括自监督、面向 ASR 和大型音频语言模型，其任务包括生理声音分类、发声和规范音节建模以及语音质量评估和识别。基准测试结果显示，ChildVox 提供了一套高性能模型，可以识别儿童的各种声音信号，支持下游应用，例如表征儿童的语言水平和跟踪年龄的语音产生。