Аудио диалоги: набор данных диалогов для понимания аудио и музыки

Audio Dialogues: Dialogues dataset for audio and music understanding

April 11, 2024

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

cs.AI

Аннотация

Существующие наборы данных для понимания звука в основном сосредоточены на однооборотных взаимодействиях (т.е. озвучивание подписей, ответы на вопросы по звуку) для описания звука естественным языком, что ограничивает понимание звука через интерактивный диалог. Для заполнения этого пробела мы представляем Audio Dialogues: набор данных многооборотного диалога, содержащий 163,8 тыс. примеров для общих звуков и музыки. Помимо диалогов, Audio Dialogues также содержит пары вопрос-ответ для понимания и сравнения нескольких входных аудио вместе. Audio Dialogues использует подход на основе подсказок и аннотации подписей из существующих наборов данных для создания многооборотных диалогов с использованием большой языковой модели (LLM). Мы оцениваем существующие аудио-дополненные большие языковые модели на нашем предложенном наборе данных, чтобы продемонстрировать сложность и применимость Audio Dialogues. Наш код для создания набора данных будет общедоступен. Подробные подсказки и созданные диалоги можно найти на демонстрационном веб-сайте 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/.