谷歌研究人员已经发布了旨在促进创新的声音搜索的面积200万加标记音频片段的集合。
该公司本月早些时候公布的一份题为“AudioSet：一个本体论和人标记的数据集音频事件”它希望将与图像识别相结合，强化，可以在各种各样的机器学习应用，包括视频字幕，其中包括声音效果的自动化中全面搜索和识别能力。谷歌在该项目从去年开始工作。
谷歌已经开发了YouTube上的业务，收集标有500个多音类别，以创造200万个十秒钟的YouTube摘录（共计5800小时音频）其AudioSet。分类在较高水平，如人的声音和音乐开始，进而得到更具体的，比如吹口哨，音乐流派。
丹埃利斯，谷歌科学家，解释在一篇博客文章“我们决定使用10个第二声音片段作为我们单位，任何短变得非常困难隔离，以确定我们收集了我们每个班的候选片段由来自YouTube的视频，其元数据表示，他们可能包含有问题的声音采取随机摘录。（“狗吠声10小时”）。每个片段呈献给一个人的贴标机与一小部分类别名称进行确认（“你听到巴克？”）。随后，我们提出的片段，其内容是相似的例子这已经手动验证包含类，从而发现并没有从元数据发现的例子。”
埃利斯补充说：“通过发布AudioSet，我们希望能为音频事件检测常见的，现实的大规模评估任务，以及为声音事件的全面词汇的起点。”