看见声音：探究可视化效果与复杂度对众包音频标注的影响

音频标注是开发机器听觉系统的关键；然而，有效获取准确快速众包音频标注的方法尚未得到充分研究。在这项工作中，我们寻求量化众包音景标注中的可靠性/冗余度权衡，探究可视化如何影响准确性和效率，并表征性能如何随音频特征变化而变化。通过控制实验，我们向人类标注者呈现了不同的声音可视化和复杂度的音景。结果显示，更复杂的音频场景导致标注者之间的一致性降低，而声谱图可视化在更低的时间和人力成本下产生更高质量的标注。我们还发现音景复杂度对召回率的影响大于精确度，且错误往往可归因于某些声音事件特征。这些发现不仅对如何设计音频数据的标注任务和界面有启示，也对如何训练和评估机器听觉系统有启示。