大規模な原始感情データセットと集約メカニズム

本稿では、話者感情認識（SER）タスク向けに新たに開発されたデータセット「Dusha」を紹介する。このコーパスは、約350時間分のデータを含み、ロシア語による音声データが30万件以上とその音声認識テキスト（トランスクリプト）を収録している。これにより、現在までに公開されている最大規模の、音声とテキストの二モーダルデータセットとして、SERタスクにおいて最も大きなものとなっている。データはクラウドソーシングプラットフォームを用いてアノテーションが行われており、演技されたデータと実生活におけるデータの2つのサブセットに分かれている。演技されたサブセットは、実生活データ（ポッドキャスト音声から構成）に比べてクラス分布がよりバランスが取れているため、モデルの事前学習に適している。一方、実生活データは、モデルのファインチューニング、検証および妥当性評価に特化して設計されている。本論文では、データの前処理手順、アノテーション方法、およびベースラインモデルを用いた実験を通じて、Dushaデータセットを用いて得られる具体的な評価指標を示す。