FoleySet：多级人工注释的拟音声音数据集

在视听后期制作中，拟音是指与人类动作相关的同步声音效果，例如脚步声、布料沙沙声和道具处理声，这些声音被重新创建以匹配屏幕上角色的动作和互动。这些声音通常由专业拟音艺术家使用物理道具录制。这种资源密集型工作流程激发了 Foley 的数据驱动研究，包括分类、检索和生成等任务；然而，用于训练的高质量带注释的 Foley 数据集仍然稀缺。为了解决这一差距，我们提出了 FoleySet，这是一个公开可用的 Foley 数据集，包含 10,000 个音频剪辑，并用两级 Foley 分类法进行注释。该数据集为数据驱动的 Foley 分类、检索和生成提供标准化、知识共享许可的资源。