Dialoghi Audio: Dataset di dialoghi per la comprensione dell'audio e della musica

Audio Dialogues: Dialogues dataset for audio and music understanding

April 11, 2024

Autori: Arushi Goel, Zhifeng Kong, Rafael Valle, Bryan Catanzaro

cs.AI

Abstract

I dataset esistenti per la comprensione audio si concentrano principalmente su interazioni a turno singolo (ad esempio, descrizione audio, risposta a domande audio) per descrivere l'audio in linguaggio naturale, limitando così la comprensione dell'audio tramite dialoghi interattivi. Per colmare questa lacuna, introduciamo Audio Dialogues: un dataset di dialoghi multi-turno contenente 163.8k campioni per suoni generali e musica. Oltre ai dialoghi, Audio Dialogues include anche coppie domanda-risposta per comprendere e confrontare più input audio insieme. Audio Dialogues sfrutta un approccio basato su prompt e annotazioni di descrizione da dataset esistenti per generare dialoghi multi-turno utilizzando un Large Language Model (LLM). Valutiamo i modelli linguistici di grandi dimensioni potenziati per l'audio sul nostro dataset proposto per dimostrare la complessità e l'applicabilità di Audio Dialogues. Il nostro codice per la generazione del dataset sarà reso pubblicamente disponibile. Prompt dettagliati e dialoghi generati possono essere trovati sul sito demo 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/.