StepEval Audio Paralinguisticは、2025年にStepFun AIチームによってリリースされた音声パラ言語理解評価データセットです。関連論文は「Step-Audio 2 技術レポートこの研究は、AI モデルが音声内のパラ言語情報 (性別、年齢、口調、感情など) を理解する能力を評価することを目的としています。

このデータセットは550個の音声サンプルで構成されており、性別、年齢、音色、感情、ピッチ、リズム、速度、話し方、発声活動、シナリオ、イベントの種類という11のタスク次元に均等に分散されています。最初の8つのタスクは、400の公開ポッドキャストからサンプリングされた中国語の音声クリップに基づいており、最後の3つのタスクは、AudioSet（イベント）、CochlScene（環境シーン）、VocalSound（ボーカル効果音）からそれぞれ50個の音声サンプルを使用しています。すべてのサンプルは30秒以内に収められ、24kHzに均一にリサンプリングされ、専門チームによってアノテーションが付けられています。