Datasets:

ggfox00000
/

dia-AvaAvd-test

license: cc-by-4.0
task_categories:
  - voice-activity-detection
  - automatic-speech-recognition
language:
  - en
  - multilingual
size_categories:
  - n<1K
pretty_name: AVA-AVD (test) — Audio-Visual Speaker Diarization
tags:
  - speaker-diarization
  - diarization
  - ava-avd
  - ava
  - in-the-wild
  - audio-visual
  - rttm
  - audio
annotations_creators:
  - expert-generated
source_datasets:
  - extended|ava-avd
  - extended|ava
dataset_info:
  features:
    - name: audio
      dtype: audio
    - name: rttm
      dtype: string
    - name: file_id
      dtype: string
  splits:
    - name: test
      num_examples: 54

AVA-AVD — test split (audio-visual speaker diarization in the wild)

Copie du split test d'AVA-AVD (Xu et al., ACM MM 2022), un corpus de diarisation dans des conditions "in the wild" construit sur AVA Active Speaker.

Chaque clip (~5 min) est extrait des vidéos AVA à des offsets précis définis par le repo officiel, puis l'audio est re-synchronisé : les timestamps des RTTMs ont été recalculés en temps clip-local (soustrait min_start du RTTM d'origine) pour être directement utilisables avec le WAV.

Contenu

54 clips audio (provenant de 18 vidéos AVA uniques)
Audio : WAV 16 kHz mono (extrait via ffmpeg, re-synchro clip-local)
Annotations : RTTM standard pyannote, timestamps clip-local
Langue : principalement anglais (multilingue selon vidéos AVA sources)
Licence : CC-BY-4.0 (hérité d'AVA / AVA-AVD upstream)

Structure

dia-AvaAvd-test/
├── README.md
├── audio/test/<clip_id>.wav     # 54
└── rttm/test/<clip_id>.rttm     # 54

Le clip_id suit le format <ava_video_id>_c_NN (ex: 1j20qq1JyX4_c_01). Le WAV et le RTTM partagent la même base temporelle (t=0 début du clip).

Chaque ligne RTTM :

SPEAKER <clip_id> 1 <start_sec> <duration_sec> <NA> <NA> <speaker_id> <NA> <NA>

Split upstream

train.list : 242 clips (non fourni ici — train seulement)
val.list : 53 clips (non fourni ici)
test.list : 53 clips ← c'est ce qu'on trouve dans ce repo

Le split test.list officiel est listé dans https://github.com/showlab/AVA-AVD/blob/main/dataset/split/test.list.

Utilisation

from pathlib import Path
from huggingface_hub import snapshot_download
from pyannote.audio import Pipeline
from pyannote.metrics.diarization import DiarizationErrorRate
from pyannote.database.util import load_rttm

root = snapshot_download("ggfox00000/dia-AvaAvd-test", repo_type="dataset")
pipe = Pipeline.from_pretrained("pyannote/speaker-diarization-3.1")

metric = DiarizationErrorRate()
audio_dir = Path(root) / "audio/test"
rttm_dir  = Path(root) / "rttm/test"
for wav in sorted(audio_dir.glob("*.wav")):
    hyp = pipe(str(wav))
    ref = next(iter(load_rttm(str(rttm_dir / f"{wav.stem}.rttm")).values()))
    metric(ref, hyp)
print(f"DER: {abs(metric):.3f}")

Source

AVA-AVD — Xu et al., ACM MM 2022 https://github.com/showlab/AVA-AVD https://arxiv.org/abs/2111.14448

Licence

CC-BY-4.0 — hérité de la distribution AVA-AVD upstream et d'AVA.

Citation

@inproceedings{xu2022ava,
  author    = {Xu, Eric Zhongcong and Song, Zeyang and Tsutsui, Satoshi and Feng, Chao and Ye, Mang and Shou, Mike Zheng},
  title     = {AVA-AVD: Audio-Visual Speaker Diarization in the Wild},
  booktitle = {Proceedings of the 30th ACM International Conference on Multimedia},
  pages     = {3838--3847},
  year      = {2022},
}