d0rj/audiocaps

---
dataset_info:
features:
- name: audiocap_id
dtype: int64
- name: youtube_id
dtype: string
- name: start_time
dtype: int64
- name: caption
dtype: string
splits:
- name: train
num_bytes: 4162928
num_examples: 49838
- name: validation
num_bytes: 198563
num_examples: 2475
- name: test
num_bytes: 454652
num_examples: 4875
download_size: 2781679
dataset_size: 4816143
license: mit
task_categories:
- text-to-speech
language:
- en
multilinguality:
- monolingual
tags:
- youtube
- captions
pretty_name: AudioCaps
size_categories:
- 10K<n<100K
source_datasets:
- original
paperswithcode_id: audiocaps
---

# audiocaps

## Dataset Description

- **Homepage:** https://audiocaps.github.io/
- **Repository:** https://github.com/cdjkim/audiocaps
- **Paper:** [AudioCaps: Generating Captions for Audios in The Wild](https://aclanthology.org/N19-1011.pdf)

HuggingFace mirror of [official data repo](https://github.com/cdjkim/audiocaps).

数据集信息（dataset_info）：
特征（features）：
- 字段名：audiocap_id（音频字幕编号），数据类型：int64（64位整数）
- 字段名：youtube_id（YouTube视频ID），数据类型：string（字符串）
- 字段名：start_time（起始时间），数据类型：int64（64位整数）
- 字段名：caption（字幕），数据类型：string（字符串）
数据集划分（splits）：
- 划分名称：train（训练集），字节数：4162928，样本数量：49838
- 划分名称：validation（验证集），字节数：198563，样本数量：2475
- 划分名称：test（测试集），字节数：454652，样本数量：4875
下载大小（download_size）：2781679 字节
数据集总大小（dataset_size）：4816143 字节
许可证（license）：MIT（mit）
任务类别（task_categories）：
- 文本到语音（text-to-speech）
语言（language）：
- 英语（en）
多语言属性（multilinguality）：
- 单语言（monolingual）
标签（tags）：
- YouTube
- captions（字幕）
展示名称（pretty_name）：AudioCaps
样本规模类别（size_categories）：
- 10K < n < 100K
源数据集（source_datasets）：
- original（原始数据集）
PapersWithCode ID：audiocaps

---

# AudioCaps数据集

## 数据集说明

- **官方主页：** https://audiocaps.github.io/
- **代码仓库：** https://github.com/cdjkim/audiocaps
- **相关论文：** [AudioCaps：面向真实场景音频的字幕生成（AudioCaps: Generating Captions for Audios in The Wild）](https://aclanthology.org/N19-1011.pdf)

本数据集为[官方数据仓库](https://github.com/cdjkim/audiocaps)的Hugging Face镜像版本。

原始信息汇总

数据集概述

基本信息

• 数据集名称： AudioCaps
• 数据集大小： 4816143字节
• 下载大小： 2781679字节
• 许可证： MIT
• 语言： 英语
• 多语言性： 单语种
• 标签： YouTube, 字幕
• 任务类别： 文本到语音
• 数据集来源： 原始
• 论文代码ID： audiocaps

数据集特征

• audiocap_id： 数据类型为int64
• youtube_id： 数据类型为string
• start_time： 数据类型为int64
• caption： 数据类型为string

数据集分割

• 训练集： 大小为4162928字节，样本数为49838
• 验证集： 大小为198563字节，样本数为2475
• 测试集： 大小为454652字节，样本数为4875

数据集类别

• 大小类别： 10K<n<100K

搜集汇总

背景与挑战

背景概述

AudioCaps是一个用于文本到语音任务的数据集，包含约57,000行英语音频描述数据，数据来源于YouTube视频并采用Parquet格式存储。该数据集以MIT许可证发布，主要用于生成音频的字幕或描述，适用于音频理解和生成任务。