🎮 دیتاست صداهای طراحی‌شده NCSOFT: ابزاری برای توسعه‌دهندگان بازی
شرکت NC AI (زیرمجموعه NCSOFT) دیتاست و بنچمارکی به نام Designed Vocalizations Dataset منتشر کرده که در کنفرانس Interspeech 2026 پذیرفته شده است. هدف این پروژه، پر کردن شکاف در حوزه تبدیل صداهای غیرانسانی مانند غرش هیولا، صداهای رباتیک و افکت‌های طراحی‌شده است — حوزه‌ای که تا پیش از این به‌دلیل نبود منابع عمومی، کمتر بررسی شده بود.
📦 محتوای دیتاست
دیتاست از ترکیب دو بخش اصلی ساخته شده است:
صدای خام (Raw): ۵٬۶۵۴ فایل صوتی منبع شامل گفتار انسان، صدای حیوانات، صداهای میان‌کلامی و تقلید صدای هیولا.
صدای طراحی‌شده (Designed): ۲۲۶٬۱۶۰ فایل صوتی که با اعمال ۴۰ پریست حرفه‌ای افکت صوتی (با استفاده از ابزار Dehumaniser 2) روی صداهای خام تولید شده‌اند.
نکته کلیدی این است که هر فایل طراحی‌شده، نسخه متناظر خام خود را دارد. این ساختار جفتی، امکان آموزش مدل‌های تبدیل صدا را فراهم می‌کند.
🧪 ساختار بنچمارک
این دیتاست یک مجموعه آزمون استاندارد هم دارد که برای سنجش تعمیم‌پذیری طراحی شده است:
· ۶۰ منبع با تیمبر دیده‌شده (در آموزش حضور داشته) + ۶۰ منبع با تیمبر نادیده
· ۴۰ پریست دیده‌شده + ۷ پریست نادیده
· ترکیب این‌ها ۴ حالت آزمون می‌سازد: seen-to-seen، seen-to-unseen، unseen-to-seen و unseen-to-unseen
📊 نتایج پایه
پژوهشگران مدل H2NH-VC (تبدیل صدای انسان به غیرانسان) را به‌عنوان بنچمارک پایه ارزیابی کرده‌اند. نتایج نشان می‌دهد که مدل در سناریوهای seen-to-seen عملکرد بهتری دارد (شباهت کسینوسی ۰.۶۶۷) و در حالت unseen-to-unseen افت می‌کند (۰.۶۱۰). این افت، دقیقاً همان چیزی است که این بنچمارک برای سنجش آن طراحی شده است.
🎯 چرا این برای توسعه‌دهندگان بازی مهم است؟
طراحی صدای شخصیت‌های غیرانسانی (هیولا، ربات، موجودات خیالی) معمولاً فرآیندی دستی، زمان‌بر و پرهزینه است. این دیتاست به تیم‌های توسعه بازی امکان می‌دهد تا مدل‌های یادگیری ماشین را برای تولید خودکار این صداها آموزش دهند. همچنین این اولین منبع عمومی و استاندارد برای مقایسه الگوریتم‌های مختلف در این حوزه است.
📁 دسترسی
دیتاست روی Hugging Face منتشر شده و شامل فایل‌های صوتی با فرمت ۴۴.۱ کیلوهرتز، ۱۶ بیت، مونو و در قالب Parquet است. مجوز هر فایل صوتی جداگانه مشخص شده (CC0، CC BY 3.0 یا CC BY 4.0).
🔗 لینک‌ها:
دیتاست در Hugging Face
صفحه پروژه و نمونه‌ها
مقاله در arXiv
#AI #GameDev #VoiceConversion #NCSOFT #Interspeech2026
🆔 @asrgooyeshpardaz
شرکت NC AI (زیرمجموعه NCSOFT) دیتاست و بنچمارکی به نام Designed Vocalizations Dataset منتشر کرده که در کنفرانس Interspeech 2026 پذیرفته شده است. هدف این پروژه، پر کردن شکاف در حوزه تبدیل صداهای غیرانسانی مانند غرش هیولا، صداهای رباتیک و افکت‌های طراحی‌شده است — حوزه‌ای که تا پیش از این به‌دلیل نبود منابع عمومی، کمتر بررسی شده بود.
📦 محتوای دیتاست
دیتاست از ترکیب دو بخش اصلی ساخته شده است:
صدای خام (Raw): ۵٬۶۵۴ فایل صوتی منبع شامل گفتار انسان، صدای حیوانات، صداهای میان‌کلامی و تقلید صدای هیولا.
صدای طراحی‌شده (Designed): ۲۲۶٬۱۶۰ فایل صوتی که با اعمال ۴۰ پریست حرفه‌ای افکت صوتی (با استفاده از ابزار Dehumaniser 2) روی صداهای خام تولید شده‌اند.
نکته کلیدی این است که هر فایل طراحی‌شده، نسخه متناظر خام خود را دارد. این ساختار جفتی، امکان آموزش مدل‌های تبدیل صدا را فراهم می‌کند.
🧪 ساختار بنچمارک
این دیتاست یک مجموعه آزمون استاندارد هم دارد که برای سنجش تعمیم‌پذیری طراحی شده است:
· ۶۰ منبع با تیمبر دیده‌شده (در آموزش حضور داشته) + ۶۰ منبع با تیمبر نادیده
· ۴۰ پریست دیده‌شده + ۷ پریست نادیده
· ترکیب این‌ها ۴ حالت آزمون می‌سازد: seen-to-seen، seen-to-unseen، unseen-to-seen و unseen-to-unseen
📊 نتایج پایه
پژوهشگران مدل H2NH-VC (تبدیل صدای انسان به غیرانسان) را به‌عنوان بنچمارک پایه ارزیابی کرده‌اند. نتایج نشان می‌دهد که مدل در سناریوهای seen-to-seen عملکرد بهتری دارد (شباهت کسینوسی ۰.۶۶۷) و در حالت unseen-to-unseen افت می‌کند (۰.۶۱۰). این افت، دقیقاً همان چیزی است که این بنچمارک برای سنجش آن طراحی شده است.
🎯 چرا این برای توسعه‌دهندگان بازی مهم است؟
طراحی صدای شخصیت‌های غیرانسانی (هیولا، ربات، موجودات خیالی) معمولاً فرآیندی دستی، زمان‌بر و پرهزینه است. این دیتاست به تیم‌های توسعه بازی امکان می‌دهد تا مدل‌های یادگیری ماشین را برای تولید خودکار این صداها آموزش دهند. همچنین این اولین منبع عمومی و استاندارد برای مقایسه الگوریتم‌های مختلف در این حوزه است.
📁 دسترسی
دیتاست روی Hugging Face منتشر شده و شامل فایل‌های صوتی با فرمت ۴۴.۱ کیلوهرتز، ۱۶ بیت، مونو و در قالب Parquet است. مجوز هر فایل صوتی جداگانه مشخص شده (CC0، CC BY 3.0 یا CC BY 4.0).
🔗 لینک‌ها:
دیتاست در Hugging Face
صفحه پروژه و نمونه‌ها
مقاله در arXiv
#AI #GameDev #VoiceConversion #NCSOFT #Interspeech2026
🆔 @asrgooyeshpardaz
huggingface.co
NCSOFT/Designed-Vocalizations-Dataset · Datasets at Hugging Face
We’re on a journey to advance and democratize artificial intelligence through open source and open science.
👌1