研究人员推出了SonicCaps,这是一个新推出的、大规模的数据集,旨在改进音频语言建模和音频检索。该数据集包含约1500万个字幕,与70万个音频片段配对,使用Qwen3-Omni多模态模型生成。SonicCaps旨在通过提供多样化、细粒度的字幕来克服现有数据集的局限性,这些字幕能够捕捉声学细节并反映听觉感知的模糊性。人类评估表明,SonicCaps字幕被认为更具描述性和精确性,从而在训练CLAP模型进行音频检索和分类任务时提高了性能。 AI
影响 为训练音频语言模型提供了更丰富的数据集,有望提高AI对音频内容的理解和检索能力。
排序理由 该集群描述了在arXiv上发布的新数据集和研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →