AudioTokenBench

# AudioTokenBench This is the evaluation dataset for [HiggsTokenizer](https://github.com/boson-ai/higgs-audio/blob/main/tech_blogs/TOKENIZER_BLOG.md). It contains 3150 24khz audio samples across 4 subsets: - **Speech**: 1,000 clips of 10 seconds audio, randomly sampled from [DAPS](https://ccrma.stanford.edu/~gautham/Site/daps.html). - **Music**: 1,000 clips of 10 seconds audio, randomly sampled from [MUSDB](https://sigsep.github.io/datasets/musdb.html). - **Sound Event**: 1,000 clips of 10 seconds audio, randomly sampled from [AudioSet](https://research.google.com/audioset/index.html). - **Audiophile**: Contains 150 clips of 30 seconds audio, curated from eleven high-fidelity test discs. The clips feature both music and sound events, selected for high-quality audio evaluation. For detailed evaluation metrics, please refer to our [blog](https://github.com/boson-ai/higgs-audio/blob/main/tech_blogs/TOKENIZER_BLOG.md) and [github](https://github.com/boson-ai/higgs-audio/tree/main).# 音频Token基准测试集（AudioTokenBench） 本数据集为[HiggsTokenizer（希格斯音频分词器）](https://github.com/boson-ai/higgs-audio/blob/main/tech_blogs/TOKENIZER_BLOG.md)的评估基准测试集。该数据集共包含3150条24kHz音频样本，涵盖4个子集： - **语音（Speech）**：1000段10秒时长的音频片段，随机采样自[DAPS](https://ccrma.stanford.edu/~gautham/Site/daps.html)。 - **音乐（Music）**：1000段10秒时长的音频片段，随机采样自[MUSDB](https://sigsep.github.io/datasets/musdb.html)。 - **声音事件（Sound Event）**：1000段10秒时长的音频片段，随机采样自[AudioSet](https://research.google.com/audioset/index.html)。 - **高保真音频（Audiophile）**：包含150段30秒时长的音频片段，均从11张高保真测试光盘中精选而来。这些片段同时涵盖音乐与声音事件，专为高品质音频评估筛选。 如需了解详细的评估指标，请参阅我们的[博客](https://github.com/boson-ai/higgs-audio/blob/main/tech_blogs/TOKENIZER_BLOG.md)及[GitHub仓库](https://github.com/boson-ai/higgs-audio/tree/main)。

搜集汇总

背景与挑战

背景概述

AudioTokenBench是一个用于评估HiggsTokenizer的基准数据集，包含3150个24kHz音频样本，涵盖语音、音乐、声音事件和高保真音效四个子集。这些样本来自不同来源，如DAPS、MUSDB和AudioSet，旨在支持高质量的音频评估。