韩志峰，白雪冰，蒋龙泉，黄云刚，冯瑞

(1.复旦大学 软件学院，上海 200438;2.复旦大学 工程与应用技术研究院，上海 200438；3.复旦大学 计算机科学技术学院，上海 200438；4.上海海潮新技术研究所，上海 200438)

0 引言

随着互联网、物联网的迅速普及，以音视频为代表的非结构数据呈现爆发式增长趋势，不仅包含了结构化数据，还包含了大量非结构化数据，如视频、图像和语音等。当前互联网上的视频有数十亿，并仍然在实时急剧增长，例如流媒体视频领域巨头，Netflix网站视频数量增长惊人，其中原创视频数量平均每年在以185%的速度增长，如图1所示。

图1 Netflix网站平均日增原创视频数量图

如何对如此巨大的数据进行有效分类管理，并实现灵活调用的问题日益突出。

现在已经有很多公开的大型图片数据集，并在目标检测领域产生了不错的效果，例如ImageNet就有超过1 400万张图片[1]。目前，图片数据集较为成熟，但在音视频数据领域并没有一种完善的数据集标准。这种典型非结构化数据面临分析理解困难、结构化难度大、数据标准不统一和智能分析模型训练样本不足等问题，急需形成音视频大数据样本库标准，有序地组织大量的音视频数据，提升调用效率。

1 音频数据入库规范

1.1 音频样本库概况

大量的音频数据来源于不同的环境，例如监控录音、在线音频等，包含不同的声音类别，具有不同的文件格式和音频长度。考虑到音频数据使用的普适性，也为了确保读入的音频数据格式统一，对不同格式保存的音频数据都会统一转化为wav音频格式。……