声音检查：审计音频数据集
声音
2024-10-18 v1 人工智能
计算机与社会
音频与语音处理
摘要
生成式音频模型在能力和公众使用方面都在迅速发展——几个强大的生成式音频模型拥有现成的开放权重，一些科技公司已经发布了高质量的生成式音频产品。然而，尽管先前的工作已经列举了许多源于生成式视觉和文本模型训练数据的伦理问题，但我们对生成式音频数据集中的类似问题（包括与偏见、毒性和知识产权相关的问题）知之甚少。为了弥合这一差距，我们对数百个音频数据集进行了文献综述，并选择了七个最突出的数据集进行更详细的审计。我们发现这些数据集存在对女性的偏见，包含对边缘化社区的有毒刻板印象，并且包含大量受版权保护的作品。为了使艺术家能够查看他们是否出现在流行的音频数据集中，并促进对这些数据集内容的探索，我们在https://audio-audit.vercel.app开发了一个音频数据集探索网络工具。
引用
@article{arxiv.2410.13114,
title = {Sound Check: Auditing Audio Datasets},
author = {William Agnew and Julia Barnett and Annie Chu and Rachel Hong and Michael Feffer and Robin Netzorg and Harry H. Jiang and Ezra Awumey and Sauvik Das},
journal= {arXiv preprint arXiv:2410.13114},
year = {2024}
}