NOTSOFAR-1: Ein-Daten-Gerät-Fernfeld-Konferenztranskriptions-Datensatz ist ein von Microsoft im Jahr 2025 veröffentlichter Datensatz zur Bewertung von Fernfeld-Konferenztranskriptionsaufgaben, der darauf abzielt, die Entwicklung der Technologie zur Ein-Gerät-Fernfeld-Sprachtrennung und Transkription voranzutreiben.

Der Datensatz enthält echte Konferenzmitschnitte, die verschiedene Konferenzräume, Anzahl der Sprecher, Mikrofonkonfigurationen und akustische Umgebungen abdecken. Er kann für die Erforschung von Fernfeld-Spracherfassung, der Verarbeitung überlappender Mehrsprachensprachen und der Konferenztranskription verwendet werden. Die offizielle Seite stellt zudem Code für Basissysteme bereit, der kontinuierliche Sprachentrennung (CSS), automatische Spracherkennung (ASR) basierend auf Whisper und einen auf NeMo basierenden Sprecher-Diarisierungsmodul integriert, sodass Forscher Inferenz-Pipelines ausführen und die Modellleistung bewerten können.

Zusammensetzung des Datensatzes

• Entwicklungssatz (Dev-set): Enthält Konferenzmitschnittdaten in Einzelkanal- (Single-Channel) und Mehrkanal-Format (Multi-Channel). Die Anzahl der Einzelkanal-Sitzungen beträgt 177, die der Mehrkanal-Sitzungen 106.
• Unterteilung in Teilmengen: Je nach Konferenzszenario und Geräuschbedingungen sind die Daten in mehrere Teilmengen unterteilt, darunter natürliche Konferenzen (#NaturalMeeting), überlappende Diskussionen (#DebateOverlaps), überlappungsfreie Sprecherwechsel (#TurnsNoOverlap), hohe transiente Geräusche (#TransientNoise=high) sowie Sprechen in der Nähe einer Whiteboard-Tafel (#TalkNearWhiteboard).
• Code für Basissysteme: Es wird vollständiger Python-Basissystemcode bereitgestellt, der kontinuierliche Sprachentrennung, auf Whisper basierende ASR und ein auf NeMo basierendes Sprecher-Diarisierungsmodul umfasst.
• Bewertungsmetriken: Für das Ranking wird hauptsächlich tcpWER mit Sprecherzuordnung verwendet, tcORC-WER dient als ergänzende Analysemetrik.
• Trainingsdaten: Neben dem Entwicklungssatz wird auch ein simulierter Trainingsdatensatz (Simulated Training Set) bereitgestellt, der etwa 1.000 Stunden oder 200 Stunden simulierte Daten für das Modelltraining und die Feinabstimmung enthält.