Croto は音声キャプション データセットです。このデータセットは、音声の内容と字幕の多様性に焦点を当てており、それぞれ 5 つの字幕を含む 4,981 の音声サンプル (合計 24,905 の字幕) で構成されており、長さは 15 ～ 30 秒、字幕の長さは 8 秒です。 30秒まで。

引用

@dataset{konstantinos_drossos_2019_3490684, 著者 = {コンスタンティノス・ドロッソスと サミュエル・リッピングと トゥオマス・ヴィルタネン}、 タイトル = {Clothoデータセット}、 月 = 10月、 年 = 2019、 発行者 = {Zenodo}、 バージョン = {1.0}、 ドイ = {10.5281/zenodo.3490684}、 url = {https://doi.org/10.5281/zenodo.3490684}, }