SonicCaps: 大規模多様なオーディオキャプションデータセットで音声検索を改善

arXiv cs.CL ・ 2026-09-02

原題: SonicCaps: Large-Scale Diverse and Fine-Grained Captioning for Improved Audio-Retrieval

AI による要約

約70万のオーディオクリップに対し、マルチモーダルLLM（Qwen3-Omni）を用いて1500万の多様なキャプションを生成した SonicCaps を公開した。24件のキャプションを構造化プロンプトで生成し、音声検索の精度向上に寄与する。

この要約は当サイトの AI が生成したものです。正確な内容は元記事（arXiv cs.CL）をご確認ください。