FusionAudio-1.2M：マルチモーダルコンテキスト融合による細粒度オーディオキャプショニングに向けて

FusionAudio-1.2M: Towards Fine-grained Audio Captioning with Multimodal Contextual Fusion

June 1, 2025

著者: Shunian Chen, Xinyuan Xie, Zheshu Chen, Liyan Zhao, Owen Lee, Zhan Su, Qilin Sun, Benyou Wang

cs.AI

要旨

高品質で大規模な音声キャプショニングは、音声理解の進展において極めて重要である。しかし、現在の自動化手法では、限られた単一モーダルまたは表面的なマルチモーダル情報に依存しているため、細かな詳細や文脈的な正確性に欠けるキャプションが生成されることが多い。人間の聴覚知覚からインスピレーションを得て、クロスモーダルな手がかりを巧みに統合し、高度な聴覚シーン分析を行う能力を模倣し、我々は新しい二段階の自動化パイプラインを提案する。このパイプラインでは、まず専門的に事前学習されたモデルを使用して、多様な文脈的手がかり（例えば、音声、音楽、一般的な音、関連するビデオからの視覚情報）を抽出する。その後、大規模言語モデル（LLM）がこれらの豊富なマルチモーダル入力を統合し、詳細で文脈を考慮した音声キャプションを生成する。本研究の主な貢献は以下の通りである：（1）細かな音声キャプション生成のためのスケーラブルな手法の提案；（2）120万件の詳細なキャプションと600万件のQAペアを組み合わせた新たな大規模データセット「FusionAudio」の作成；（3）FusionAudioを使用して開発された強化された音声モデル、特に優れた音声-テキストアラインメントと指示追従能力を持つCLAPベースの音声エンコーダ。本論文は、複雑な音声環境のより微妙で正確な自動理解への道を開くものである。コードとデータはhttps://github.com/satsuki2486441738/FusionAudioで公開されている。

English

High-quality, large-scale audio captioning is crucial for advancing audio understanding, yet current automated methods often generate captions that lack fine-grained detail and contextual accuracy, primarily due to their reliance on limited unimodal or superficial multimodal information. Drawing inspiration from human auditory perception, which adeptly integrates cross-modal cues and performs sophisticated auditory scene analysis, we introduce a novel two-stage automated pipeline. This pipeline first employs specialized pretrained models to extract diverse contextual cues (e.g., speech, music, general sounds, and visual information from associated video). A large language model (LLM) then synthesizes these rich, multimodal inputs to generate detailed and context-aware audio captions. Key contributions of this work include: (1) the proposed scalable method for fine-grained audio caption generation; (2) FusionAudio, a new large-scale dataset comprising 1.2 million such detailed captions, combined with 6 million QA pairs; and (3) enhanced audio models developed using FusionAudio, specifically a CLAP-based audio encoder with superior audio-text alignment and instruction following. This paper paves the way for more nuanced and accurate automated understanding of complex audio environments. Code and data can be found in https://github.com/satsuki2486441738/FusionAudio.