[논문 리뷰] The Spotify Podcasts Dataset

Ann Clifton, Aasish Pappu외 5명|arXiv (Cornell University)|2020. 04. 08.

Radio, Podcasts, and Digital Media참고 문헌 5인용 수 4

한 줄 요약

이 논문은 약 100,000개의 팟캐스트 에피소드로 구성된 대규모 데이터셋인 스포티파이 팟캐스트 데이터셋을 소개한다. 이 데이터셋에는 원본 오디오와 자동 음성 인식(ASR) 전사본이 포함되어 있으며, 전사된 오디오의 총 시간은 47,000시간이 넘는다. 이 데이터셋은 이전의 음성-텍스트 코퍼스보다 한 차원 더 큰 규모를 지닌 것으로, 다양한 팟캐스트 포맷과 장르에 대한 음성 처리, 정보 검색, 자연어 처리 분야의 새로운 연구를 가능하게 한다.

ABSTRACT

Podcasts are a relatively new form of audio media. Episodes appear on a regular cadence, and come in many different formats and levels of formality. They can be formal news journalism or conversational chat; fiction or non-fiction. They are rapidly growing in popularity and yet have been relatively little studied. As an audio format, podcasts are more varied in style and production types than, say, broadcast news, and contain many more genres than typically studied in video research. The medium is therefore a rich domain with many research avenues for the IR and NLP communities. We present the Spotify Podcast Dataset, a set of approximately 100K podcast episodes comprised of raw audio files along with accompanying ASR transcripts. This represents over 47,000 hours of transcribed audio, and is an order of magnitude larger than previous speech-to-text corpora.

연구 동기 및 목표

• 자연어 처리 및 정보 검색 분야에서 팟캐스트 전용 연구를 위한 대규모이고 다양한 음성 코퍼스의 부족을 해결하기 위해.
• 뉴스, 대화, 소설, 비소설 포맷을 포함한 현대 팟캐스트의 스타일적 및 형식적 다양성을 반영하는 풍부하고 이질적인 데이터셋을 제공하기 위해.
• 다양한 팟캐스트 장르와 제작 품질에서 음성-텍스트 변환, 오디오 이해, 다중모odal 분석 분야의 연구를 지원하기 위해.
• 온디맨드 오디오 미디어에서의 구어어휘 변동성, 화자 스타일, 콘텐츠 다양성에 대한 대규모 연구를 가능하게 하기 위해.

제안 방법

• 스포티파이 플랫폼에서 약 100,000개의 팟캐스트 에피소드를 수집하여 다양한 장르와 포맷을 포함시켰다.
• 각 에피소드에 대해 원본 오디오 파일과 해당하는 자동 음성 인식(ASR) 전사본을 포함시켰다.
• 공식 뉴스 제작, 비공식 대화, 서사적 스토리텔링을 포함한 다양한 팟캐스트 유형의 데이터를 통합하였다.
• 전사된 오디오가 47,000시간이 넘는 데이터셋을 구축하여 기존의 음성-텍스트 코퍼스 규모를 크게 확장하였다.
• 메타데이터 표준화 및 오디오와 텍스트의 정렬을 통해 자연어 처리 및 정보 검색 작업에서 일관된 후속 사용을 가능하게 하였다.

실험 결과

연구 질문

• RQ1 대규모이고 다양한 팟캐스트 코퍼스는 자동 음성 인식 시스템의 훈련 및 평가를 어떻게 향상시킬 수 있는가?
• RQ2 온디맨드 오디오 미디어에서의 구어어휘 변동성과 스타일적 다양성에 대해 어떤 통찰을 얻을 수 있는가?
• RQ3 비공식적이고 대화형이며 서사적 팟캐스트 포맷의 포함이 자연어 처리 모델의 성능과 일반화 능력에 어떤 영향을 미치는가?
• RQ4 이 데이터셋은 정보 검색 및 오디오 이해 분야에서 장르 간 및 포맷 간 연구를 어느 정도 지원할 수 있는가?

주요 결과

• 이 데이터셋은 약 100,000개의 팟캐스트 에피소드로 구성되어 있으며, 전사된 오디오가 47,000시간 이상으로 이전의 음성-텍스트 코퍼스보다 한 차원 더 큰 규모를 지닌다.
• 이 데이터셋은 공식 뉴스 제작, 캐주얼 대화, 소설, 비소설 등 다양한 팟캐스트 포맷을 포괄하여 다양한 연구 응용 가능성을 제공한다.
• 원본 오디오와 ASR 전사본의 포함으로 음성 및 언어 처리 모델의 엔드 투 엔드 평가 및 개발이 가능해진다.
• 이 데이터셋의 규모와 다양성 덕분에 자원이 부족한 환경 및 다국어 설정에서의 모델 훈련 및 벤치마킹에 새로운 기회를 제공한다.
• 이러한 대규모 실생활 오디오 코퍼스의 가용성은 구어어휘 이해, 화자 특성 분석, 콘텐츠 분류 분야의 연구를 지원한다.