Aurora2 語音數據庫 經常在學術上被用來作爲評測數據庫，很多語音識別的base數據庫，HTK的訓練模型數據庫，VAD，基頻檢測都用Aurora2語音數據庫。
Aurora2語音數據庫的具體情況可以參考 http://aurora.hsnr.de/aurora-2.html,大致含義是 這個數據庫是由 TIDigits 數據庫 變換過來的，說白了就是 降採樣之後 加了不同的信噪比的噪聲。
Aurora2數據庫是8k的（其實8k早先年在電話語音通訊標準中用的比較多），TIDigits 數據庫是20k的（爲啥是20k這麼奇怪的數據庫我也不清楚），TIDigits 是包含成人和兒童的語音庫，只說數字（英文的，不是壹貳叄是one two three），Aurora2用的是TIDigits 的成人部分。
Aurora2的創建過程，就是通過工具（這個工具網站提供了叫 FaNT）http://aurora.hsnr.de/download.html
這是一個濾波+增加指定信噪比的工具，原則上使用這個工具就可以造出這個含噪語音庫。我剛好有TIDigits （別問我爲啥有）另外我也發現了不少有用的結果，可以獲得含噪語音庫的list，那麼基本素材如果全了的話，我就可以自己造這個數據庫了。
1、工具
網站提供了 http://dnt.kr.hsnr.de/aurora/download/fant.tar.gz需要自己編譯，這是GNU的C，用vc稍微改下就沒什麼問題，這個工具我覺得牛叉的地方就是在於能加指定的信噪比，而且信號能量判定方法是遵循 ITU p.56 怎麼計算signal level，感興趣的同學可以自己下來看看，提供兩種方法 來計算 信號level
Active speech level shall be measured and reported in decibels relative to a stated reference according to the methods described below, namely:
– Method A – Measuring a quantity called speech volume, used for the purpose of real-time control of speech level (see clause 4);
– Method B – Measuring a quantity called active speech level, used for other purposes (see clause 5).
2、文件list
TIDigits 這裏面的東西可多了，Aurora2 只選擇其中的部分，另外它分成幾個部分：
訓練集1，clean data,乾淨的 8440個，降採樣至8k，完了之後用G712 濾波器之後不加任何噪聲，55個男人和55個女人。
訓練集2，multi-condition 複合條件的含噪的,8440個數據 分成20組，422 * 20(subset) = 8440, 52個男人和52個女人，對於一個子集，每個人的話都要出現過。
測試集 4004個集上的不同變體，他分成三種測試集
testA 要用 G712 濾波器,四種噪聲， (subway)train(N1)/babble(N2)/car(N3)/exhibition hall(N4) 4004*7 = 28028 個數據
testB 要用 G712 濾波器，另外四種噪聲 restaurant(N5)/street(N6)/airport(N7)/train station(N8)， 同上 28028 個數據
testC 要用 MRIS濾波器,只有2種噪聲 subway, street
你肯定要問G712和MRIS有什麼區別，MIRS
，他們簡單的說是濾波器，用來模擬通訊信道中的acoustics 傳輸路徑，具體如下：
上面的test集中就是爲了覆蓋不同的聲道特性（G712和MIRS）不同的噪聲（兩撥噪聲N1~N4，N5~N6,我check過，testA和testB的基礎list沒什麼差別，差別就是噪聲不同，而且都用G712）不同的信噪比（clean，SNR-5，SNR0，SNR5，SNR10，SNR15，SNR20）
扯遠了，現在說到list，我們從 vad檢測的一些結果：http://kom.aau.dk/~zt/online/rVAD/
這是一個vad算法，但它提供了 Reference VAD for Aurora 2 database 的測試結果，我們下來之後，train中的clean的list就有了，8440個數據，齊刷兒滴啊~
稍微解釋一下，這裏面文件的首字母，M和F就是指 男，女，ST是某個人名的縮寫，具體是什麼就不清楚了，TIDigits 都是這樣的縮寫，而且只用兩個字母
同樣，測試集中的testA testB， testC的list我們也有了
我們從這個網站中找到 Aurora2作爲pitch驗證算法的數據庫的測試結果
https://www.microsoft.com/en-us/download/details.aspx?id=52498
注意，沒有找到 multi-condition條件下的訓練集（就是clean和含噪聲的都有，用來做訓練的），我估計用這個做實驗的比較少，再說四個中能找到三個已經不錯了，呵呵，你還要啥自行車？
3、得到噪聲樣本和對應關係
噪聲樣本可以從下面獲得：https://www.ee.columbia.edu/~dpwe/sounds/
噪聲樣本都是8k的
Aurora2書庫中的名字都是N1，N2命名的，這裏面N1~N8有個對應關係，我們從一些論文上可以獲得：
A Novel Framework for Noise Robust ASR using Cochlear Implant-like Spectrally Reduced Speech
實際上就是上面的順序
總結：
1、製作的數據庫只能說是“僞“或者“準“，並不是原本的Aurora2的數據庫，理由有2，一個是降採樣，我這裏用的是sox的降採樣，原始的Aurora2的製作過程用的什麼降採樣？那就不得而知了，我只能說我聽過sox的將採樣結果，效果還可以
注意：sox也有高端採樣率，不care時間功耗話也可以用的
http://sox.sourceforge.net/SoX/Resampling
2、加噪聲的位置是隨機的，噪聲足夠長，但是加噪工具是隨機選擇reference噪聲位置給加上的，說白了，你兩次給加的噪聲情況還不一樣！
3、不過製作過程是嚴格follow 他的文檔，嗯，等哪一天有了真正的數據庫，可以做一些comparison