Audio-Dialoge: Dialogdatensatz für das Verständnis von Audio und Musik

Audio Dialogues: Dialogues dataset for audio and music understanding

April 11, 2024

papers.authors: Arushi Goel, Zhifeng Kong, Rafael Valle, Bryan Catanzaro

cs.AI

papers.abstract

Bestehende Datensätze zur Audioverarbeitung konzentrieren sich hauptsächlich auf Einzelinteraktionen (d.h. Audio-Beschriftung, Audio-Fragen beantworten), um Audio mit natürlicher Sprache zu beschreiben, was die Verständnis von Audio über interaktiven Dialog einschränkt. Um diese Lücke zu schließen, stellen wir Audio-Dialoge vor: einen Mehrfachdialog-Datensatz mit 163,8k Beispielen für allgemeine Audiosounds und Musik. Neben Dialogen enthält Audio-Dialoge auch Frage-Antwort-Paare, um mehrere Eingabeaudios zu verstehen und zu vergleichen. Audio-Dialoge nutzen einen anregungsbasierten Ansatz und Beschriftungsannotationen aus bestehenden Datensätzen, um Mehrfachdialoge mithilfe eines Großen Sprachmodells (LLM) zu generieren. Wir evaluieren bestehende Audio-erweiterte große Sprachmodelle anhand unseres vorgeschlagenen Datensatzes, um die Komplexität und Anwendbarkeit von Audio-Dialogen zu demonstrieren. Unser Code zur Generierung des Datensatzes wird öffentlich zugänglich gemacht. Detaillierte Anregungen und generierte Dialoge finden Sie auf der Demo-Website https://audiodialogues.github.io/.

English

Existing datasets for audio understanding primarily focus on single-turn interactions (i.e. audio captioning, audio question answering) for describing audio in natural language, thus limiting understanding audio via interactive dialogue. To address this gap, we introduce Audio Dialogues: a multi-turn dialogue dataset containing 163.8k samples for general audio sounds and music. In addition to dialogues, Audio Dialogues also has question-answer pairs to understand and compare multiple input audios together. Audio Dialogues leverages a prompting-based approach and caption annotations from existing datasets to generate multi-turn dialogues using a Large Language Model (LLM). We evaluate existing audio-augmented large language models on our proposed dataset to demonstrate the complexity and applicability of Audio Dialogues. Our code for generating the dataset will be made publicly available. Detailed prompts and generated dialogues can be found on the demo website https://audiodialogues.github.io/.