TMASC: Transmasculine Attitude and Speech Corpus

📄 arXiv: 2606.16351v1 📥 PDF

作者: Sidney Wong

分类: cs.CL

发布日期: 2026-06-15

备注: Accepted to Interspeech 2026 Main Track

💡 一句话要点

提出TMASC语料库以支持跨男性个体的声音健康研究

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 跨性别研究 声音健康 多模态数据 声学测量 心理健康支持

📋 核心要点

  1. 现有研究缺乏针对跨男性个体声音健康的系统性数据，限制了相关领域的深入探索。
  2. TMASC语料库通过收集问卷和音频样本，提供了丰富的多模态数据，旨在填补这一研究空白。
  3. 案例研究表明，TMASC能够有效整合感知与声学数据，识别群体特征，并校准声学测量，具有重要的实用价值。

📝 摘要（中文）

本文介绍了跨男性态度与语音语料库（TMASC），该语料库包含196名跨男性个体的问卷回应和66段音频记录。问卷探讨了跨男性个体的声音健康，音频记录包括咳嗽和清喉样本、阅读段落及其他特定问题。本文概述了该语料库的发展及数据收集过程，并通过三个案例研究展示了该众包多模态语料库的应用，支持跨男性个体的声音健康研究，包括感知与声学数据的整合、群体特征的识别及声学测量的校准。

🔬 方法详解

问题定义：本研究旨在解决跨男性个体声音健康研究中缺乏系统性数据的问题。现有方法未能充分考虑跨男性个体的独特需求和声音特征，导致研究结果的局限性。

核心思路：TMASC语料库的核心思路是通过收集多模态数据（问卷与音频），为跨男性个体的声音健康提供全面的研究基础。这种设计旨在整合不同类型的数据，以便更好地理解声音健康的多维度特征。

技术框架：TMASC的整体架构包括数据收集、数据处理和数据分析三个主要阶段。首先，通过问卷收集跨男性个体的声音健康信息；其次，录制音频样本以获取声学数据；最后，利用这些数据进行分析和案例研究。

关键创新：TMASC的最大创新在于其众包的多模态数据收集方式，结合了主观感知与客观声学测量，填补了现有研究的空白。这种方法与传统的单一数据来源研究有本质区别。

关键设计：在数据收集过程中，问卷设计涵盖了声音健康的多个维度，音频样本则包括咳嗽、清喉及阅读段落等多种形式，确保了数据的多样性和代表性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，TMASC语料库能够有效整合感知与声学数据，识别出跨男性个体的群体特征，并在声学测量的校准上取得显著进展。这些成果为后续研究提供了坚实的数据基础，推动了跨性别声音健康领域的发展。

🎯 应用场景

TMASC语料库的潜在应用领域包括声音健康研究、跨性别心理健康支持及相关医疗服务。通过提供系统的数据支持，研究人员和医疗专业人士可以更好地理解跨男性个体的声音特征，从而制定更有效的干预措施和支持方案，提升其生活质量。

📄 摘要（原文）

We introduce the Transmasculine Attitudes and Speech Corpus (TMASC), a multimodal corpus of 196 transmasculine individuals, including questionnaire responses and 66 audio recordings. The questionnaire includes items exploring the vocal health of transmasculine individuals. The audio recordings include cough and throat-clearing samples, a reading passage, and additional session-specific questions. This paper outlines the development of this corpus and the data collection procedures. To illustrate the utility of this corpus, we present three case studies demonstrating how this crowd-sourced multimodal corpus can be used to support transmasculine individuals. These include the integration of perceptual and acoustic data, the identification of group-level characteristics, and the calibration of acoustic measurements.