发布 DocVQA Spoken Version 数据集, 应用在 口语交互、视觉问答 领域

本次发布的数据集 DocVQA Spoken Version, 该数据集是对DocVQA评估集的口语版本，通过将文本问题合成为语音而创建。在此过程中，只有DocVQA中的问题被合成为语音，而其他提示元素仍保持文本格式。该数据集包含了多个用于评估的版本，涉及42位不同的说话人，且这些说话人在训练集说话人中没有重叠。其任务是进行口语视觉问题回答（Svqa）。

查看DocVQA Spoken Version

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。