Simple Voice Questions (SVQ) は、Google が公開した短い音声データセットであり、Massive Sound Embedding Benchmark (MSEB) の中核的な評価コンポーネントです。 このデータセットは、26地域17言語、約700人の話者による短い音声質問を含む多言語音声データセットです。各話者は最大250の音声サンプルを提供し、アラビア語、英語、日本語、韓国語、ヒンディー語など複数の言語を網羅しています。また、静かな環境、背景の音声、交通騒音など、多様な録音条件も含まれています。データには、女性、男性、ノンバイナリー、無回答といった話者の性別がラベル付けされており、言語と音響環境の両方において高い多様性を示しています。

データフィールド:

• utt_id: 録音の一意の識別子を表す文字列。
• 波形: 音声タイプ、サンプリングレート 16,000。
• locale: 録音地域を表す文字列。
• speaker_id: 話者の一意の識別子を表す文字列。
• speaker_age: 話者の年齢を表す32ビット整数。
• speaker_gender: 話者の性別を表す文字列。
• 環境: 記録環境を表す文字列。
• text: 記録されたテキストコンテンツを表す文字列型。
• topk_salient_terms: キーワードを表す文字列のリスト。
• topk_salient_terms_timestamps: キーワードのタイムスタンプを表す浮動小数点数のリスト。