ICTNLP 发布 SpokenVisIT 数据集, 应用在 视觉交互、语音识别 领域

ICTNLP 本次发布的数据集 SpokenVisIT, 该数据集是一个用于评估视觉基础语音交互能力的基准，它基于现实世界的视觉问答基准VisIT构建而成。在评估过程中，我们采用GPT模型（gpt-4o版本）来对回应进行评分，所有的语音评估被划分为语音转文本和语音转语音两种设置。该任务旨在推动视觉基础下的语音交互技术发展。

查看SpokenVisIT

Dataset card 内容： 

Files and versions 内容： 

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。