nsynth

با مجموعه‌ها، منظم بمانید ذخیره و دسته‌بندی محتوا براساس اولویت‌های شما.

  • توضیحات :

مجموعه داده‌های NSynth یک مجموعه داده صوتی است که شامل 300 هزار نت موسیقی است که هرکدام دارای زیر و بم، صدا و پاکت منحصربه‌فردی است. هر یادداشت با سه بخش اطلاعات اضافی بر اساس ترکیبی از ارزیابی انسانی و الگوریتم های اکتشافی حاشیه نویسی می شود: منبع، خانواده و کیفیت.

@InProceedings{pmlr-v70-engel17a,
  title =    {Neural Audio Synthesis of Musical Notes with {W}ave{N}et Autoencoders},
  author =   {Jesse Engel and Cinjon Resnick and Adam Roberts and Sander Dieleman and Mohammad Norouzi and Douglas Eck and Karen Simonyan},
  booktitle =    {Proceedings of the 34th International Conference on Machine Learning},
  pages =    {1068--1077},
  year =     {2017},
  editor =   {Doina Precup and Yee Whye Teh},
  volume =   {70},
  series =   {Proceedings of Machine Learning Research},
  address =      {International Convention Centre, Sydney, Australia},
  month =    {06--11 Aug},
  publisher =    {PMLR},
  pdf =      {http://proceedings.mlr.press/v70/engel17a/engel17a.pdf},
  url =      {http://proceedings.mlr.press/v70/engel17a.html},
}

nsynth/full (پیکربندی پیش فرض)

  • توضیحات پیکربندی : مجموعه داده کامل NSynth به مجموعه‌های قطار، معتبر و آزمایشی تقسیم می‌شود، بدون اینکه ابزاری بین مجموعه قطار و مجموعه‌های آزمایشی معتبر همپوشانی داشته باشد.

  • حجم دانلود : 73.07 GiB

  • حجم مجموعه داده : 73.09 GiB

  • تقسیم ها :

شکاف مثال ها
'test' 4,096
'train' 289,205
'valid' 12678
  • ساختار ویژگی :
FeaturesDict({
    'audio': Audio(shape=(64000,), dtype=float32),
    'id': string,
    'instrument': FeaturesDict({
        'family': ClassLabel(shape=(), dtype=int64, num_classes=11),
        'label': ClassLabel(shape=(), dtype=int64, num_classes=1006),
        'source': ClassLabel(shape=(), dtype=int64, num_classes=3),
    }),
    'pitch': ClassLabel(shape=(), dtype=int64, num_classes=128),
    'qualities': FeaturesDict({
        'bright': bool,
        'dark': bool,
        'distortion': bool,
        'fast_decay': bool,
        'long_release': bool,
        'multiphonic': bool,
        'nonlinear_env': bool,
        'percussive': bool,
        'reverb': bool,
        'tempo-synced': bool,
    }),
    'velocity': ClassLabel(shape=(), dtype=int64, num_classes=128),
})
  • مستندات ویژگی :
ویژگی کلاس شکل نوع D شرح
FeaturesDict
سمعی سمعی (64000،) float32
شناسه تانسور رشته
ابزار FeaturesDict
ساز/خانواده ClassLabel int64
ابزار/برچسب ClassLabel int64
ابزار/منبع ClassLabel int64
گام صدا ClassLabel int64
کیفیت ها FeaturesDict
کیفیت/روشن تانسور بوول
کیفیت / تاریکی تانسور بوول
کیفیت / تحریف تانسور بوول
کیفیت ها/فاسد_سریع تانسور بوول
کیفیت/long_release تانسور بوول
کیفیت / چند صدایی تانسور بوول
کیفیت/غیرخطی_env تانسور بوول
کیفیت/ضربه تانسور بوول
کیفیت / طنین تانسور بوول
کیفیت/تمپو همگام سازی شده تانسور بوول
سرعت ClassLabel int64

nsynth/gansynth_subset

  • توضیحات پیکربندی : مجموعه داده NSynth محدود به سازهای صوتی در فاصله زمانی MIDI [24، 84] است. از تقسیم‌های متناوب استفاده می‌کند که در سازها (اما نه یادداشت‌های دقیق) بین مجموعه قطار و مجموعه‌های معتبر/آزمون همپوشانی دارند. این نوع در اصل در مقاله ICLR 2019 GANSynth ( https://arxiv.org/abs/1902.08710 ) معرفی شد.

  • حجم دانلود : 73.08 GiB

  • حجم مجموعه داده : 20.73 GiB

  • تقسیم ها :

شکاف مثال ها
'test' 8,518
'train' 60,788
'valid' 17,469
  • ساختار ویژگی :
FeaturesDict({
    'audio': Audio(shape=(64000,), dtype=float32),
    'id': string,
    'instrument': FeaturesDict({
        'family': ClassLabel(shape=(), dtype=int64, num_classes=11),
        'label': ClassLabel(shape=(), dtype=int64, num_classes=1006),
        'source': ClassLabel(shape=(), dtype=int64, num_classes=3),
    }),
    'pitch': ClassLabel(shape=(), dtype=int64, num_classes=128),
    'qualities': FeaturesDict({
        'bright': bool,
        'dark': bool,
        'distortion': bool,
        'fast_decay': bool,
        'long_release': bool,
        'multiphonic': bool,
        'nonlinear_env': bool,
        'percussive': bool,
        'reverb': bool,
        'tempo-synced': bool,
    }),
    'velocity': ClassLabel(shape=(), dtype=int64, num_classes=128),
})
  • مستندات ویژگی :
ویژگی کلاس شکل نوع D شرح
FeaturesDict
سمعی سمعی (64000،) float32
شناسه تانسور رشته
ابزار FeaturesDict
ساز/خانواده ClassLabel int64
ابزار/برچسب ClassLabel int64
ابزار/منبع ClassLabel int64
گام صدا ClassLabel int64
کیفیت ها FeaturesDict
کیفیت/روشن تانسور بوول
کیفیت / تاریکی تانسور بوول
کیفیت / تحریف تانسور بوول
کیفیت ها/فاسد_سریع تانسور بوول
کیفیت/long_release تانسور بوول
کیفیت / چند صدایی تانسور بوول
کیفیت/غیرخطی_env تانسور بوول
کیفیت/ضربه تانسور بوول
کیفیت / طنین تانسور بوول
کیفیت/تمپو همگام سازی شده تانسور بوول
سرعت ClassLabel int64

nsynth/gansynth_subset.f0_and_loudness

  • توضیحات پیکربندی : مجموعه داده NSynth محدود به سازهای صوتی در فاصله زمانی MIDI [24، 84] است. از تقسیم‌های متناوب استفاده می‌کند که در سازها (اما نه یادداشت‌های دقیق) بین مجموعه قطار و مجموعه‌های معتبر/آزمون همپوشانی دارند. این نوع در اصل در مقاله ICLR 2019 GANSynth ( https://arxiv.org/abs/1902.08710 ) معرفی شد. این نسخه علاوه بر این شامل تخمین‌هایی برای F0 با استفاده از CREPE (Kim et al., 2018) و بلندی ادراکی A-weighted در دسی‌بل است. هر دو سیگنال با نرخ فریم 250 هرتز ارائه می شوند.

  • حجم دانلود : 73.08 GiB

  • حجم مجموعه داده : 22.03 GiB

  • تقسیم ها :

شکاف مثال ها
'test' 8,518
'train' 60,788
'valid' 17,469
  • ساختار ویژگی :
FeaturesDict({
    'audio': Audio(shape=(64000,), dtype=float32),
    'f0': FeaturesDict({
        'confidence': Tensor(shape=(1000,), dtype=float32),
        'hz': Tensor(shape=(1000,), dtype=float32),
        'midi': Tensor(shape=(1000,), dtype=float32),
    }),
    'id': string,
    'instrument': FeaturesDict({
        'family': ClassLabel(shape=(), dtype=int64, num_classes=11),
        'label': ClassLabel(shape=(), dtype=int64, num_classes=1006),
        'source': ClassLabel(shape=(), dtype=int64, num_classes=3),
    }),
    'loudness': FeaturesDict({
        'db': Tensor(shape=(1000,), dtype=float32),
    }),
    'pitch': ClassLabel(shape=(), dtype=int64, num_classes=128),
    'qualities': FeaturesDict({
        'bright': bool,
        'dark': bool,
        'distortion': bool,
        'fast_decay': bool,
        'long_release': bool,
        'multiphonic': bool,
        'nonlinear_env': bool,
        'percussive': bool,
        'reverb': bool,
        'tempo-synced': bool,
    }),
    'velocity': ClassLabel(shape=(), dtype=int64, num_classes=128),
})
  • مستندات ویژگی :
ویژگی کلاس شکل نوع D شرح
FeaturesDict
سمعی سمعی (64000،) float32
f0 FeaturesDict
f0/اعتماد به نفس تانسور (1000،) float32
f0/hz تانسور (1000،) float32
f0/midi تانسور (1000،) float32
شناسه تانسور رشته
ابزار FeaturesDict
ساز/خانواده ClassLabel int64
ابزار/برچسب ClassLabel int64
ابزار/منبع ClassLabel int64
بلندی صدا FeaturesDict
بلندی صدا/db تانسور (1000،) float32
گام صدا ClassLabel int64
کیفیت ها FeaturesDict
کیفیت/روشن تانسور بوول
کیفیت / تاریکی تانسور بوول
کیفیت / تحریف تانسور بوول
کیفیت ها/فاسد_سریع تانسور بوول
کیفیت/long_release تانسور بوول
کیفیت / چند صدایی تانسور بوول
کیفیت/غیرخطی_env تانسور بوول
کیفیت/ضربه تانسور بوول
کیفیت / طنین تانسور بوول
کیفیت/تمپو همگام سازی شده تانسور بوول
سرعت ClassLabel int64