Audio-Language Datasets of Scenes and Events: A Survey

音频语言模型（ALMs）处理声音以提供声音产生事件和场景的语言描述。近年来，计算能力和数据集的创建取得了重大进展，这导致了该领域的显着进步。本文调查了用于训练音频语言模型的现有数据集，强调了使用大型多样化数据集以提高模型性能的最近趋势。这些数据集的关键来源包括Freesound平台和AudioSet，它们为该领域的快速发展做出了贡献。虽然先前的调查主要涉及技术和培训细节，但本次调查对各种数据集进行了分类和评估，包括它们的起源、特征和用途。它还执行了数据泄漏分析以确保数据集的完整性并减少数据集之间的偏差。本次调查是通过分析截至2023年12月的研究论文进行的，不包含该期之后的任何论文。

论文旨在调查用于训练音频语言模型的现有数据集，强调使用大型、多样化的数据集以提高模型性能的趋势。同时对数据集进行分类和评估，以了解其来源、特征和用例。

本文对现有的音频语言模型数据集进行了全面的调查和分析，包括数据集的来源、特征和用例，并通过数据泄露分析来确保数据集的完整性和减少数据集之间的偏差。

本文介绍了用于训练音频语言模型的多个数据集，其中包括Freesound平台和AudioSet。此外，本文还进行了数据泄露分析来确保数据集的完整性和减少数据集之间的偏差。本文的结果表明，使用大型、多样化的数据集可以显著提高音频语言模型的性能。

最近的相关研究包括使用深度学习模型进行音频分类和音频识别，如《Deep Learning for Audio Classification: A Comprehensive Review》和《A Survey of Deep Learning for Acoustic Event Detection》。