VGGSound: conjunto de datos audiovisuales para sonidos naturales

Conjunto de datos audiovisuales que contiene clips de sonidos naturales extraídos de vídeos de YouTube y que cubre una amplia variedad de entornos sonoros.

Obtén el dataset

Tamaño

Más de 200 000 clips de vídeo/audio, segmentos de 10 segundos, más de 310 clases de sonido y archivos CSV para metadatos

Licencia

Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0)

Descripción

‍

VGGSound es un conjunto de datos multimodal que combina clips de audio y vídeo de vídeos de YouTube. Incluye más de 200 000 clips de 10 segundos, que abarcan más de 310 clases de sonido variadas en entornos naturales y ruidosos. Los metadatos se proporcionan en archivos CSV que incluyen las URL de YouTube, las marcas de tiempo, las etiquetas y las puntuaciones de los trenes y los exámenes.

‍

¿Para qué sirve este conjunto de datos?

‍

Entrenamiento de modelos de reconocimiento de sonido en contextos reales
Desarrollar sistemas multimodales de análisis audio-vídeo
Evaluación de arquitecturas de aprendizaje profundo sobre datos «en estado salvaje»

‍

¿Se puede enriquecer o mejorar?

‍

Sí, el conjunto de datos se puede enriquecer añadiendo anotaciones adicionales, transcripciones o etiquetas más precisas. La duración de los clips también permite cortarlos o combinarlos para tareas específicas.

‍

🔎 En resumen

Criterio	Evaluación
🧩 Facilidad de uso	⭐⭐⭐✩✩ (Requiere gestión de enlaces YouTube y extracción)
🧼 Necesidad de limpieza	⭐⭐⭐✩✩ (Moderado – extracción y verificación de clips requerida)
🏷️ Riqueza de anotaciones	⭐⭐⭐⭐✩ (Bueno – etiquetas sonoras diversificadas)
📜 Licencia comercial	✅ Sí (CC BY 4.0)
👨‍💻 Ideal para principiantes	⚠️ Medio – complejidad ligada a multimedia y gestión de videos
🔁 Reutilizable para fine-tuning	✅ Adecuado para entrenamiento y ajuste de modelos multimodales
🌍 Diversidad cultural	🌎 Alto – contenido global variado de YouTube