摘要

我们提出了一种用于语音情感识别（Speech Emotion Recognition, SER）任务的新数据集，名为 Dusha。该语料库包含约350小时的语音数据，涵盖超过30万条俄语语音录音及其对应的转写文本，是目前规模最大、公开可用的双模态（音频与文本）SER数据集。数据集通过众包平台进行标注，包含两个子集：演绎类（acted）和真实场景类（real-life）。其中，演绎类子集的各类别分布更为均衡，而真实场景子集则由未经调控的播客音频构成，类别分布较为不均衡。因此，演绎类子集适用于模型预训练，而真实场景子集则更适合作为模型微调、性能验证与评估的基准。本文详细介绍了数据的预处理流程、标注方法，并基于基线模型开展实验，以展示利用 Dusha 数据集可获得的实际性能指标。