音频描述生成：听音而述

越来越多的研究关注机器对音频事件的感知，其中大多涉及检测与分类任务。然而，类人的音频场景感知不仅包含检测与分类音频声音，还需概括不同音频事件之间的关系。图像描述等可比研究已开展，但音频领域仍相当空白。本文介绍了一个用于音频描述的人工标注数据集。其目的是自动生成描述音频场景的自然语句，并弥合机器对音频与图像感知之间的鸿沟。整个数据集以普通话标注，我们也包含了翻译的英文标注。我们为英文和普通话提供了一个基线编码器-解码器模型。两种语言得到了相近的 BLEU 分数：我们的模型可基于该数据集生成可理解且与数据相关的描述语句。