DCASEの音響キャプション課題の直近の開催で優勝したシステムのスコアはFENSE 0.554で、主催者のベースライン0.510をわずか0.044上回るにとどまり、チームの30システムのうち29がそのベースラインを上回った(DCASE Challenge、2024年タスク6の結果)。より難しいデータセットでは、人間は依然として大きく先行している。参照キャプション同士の一致度はClothoでSPIDEr 0.54であるのに対し(Mei ほか、Audio Captioning Overview、2022)、コンパクトなモデルは0.301にとどまる(Labbé ほか、CoNeTTE、2023)。物差しも完全ではなく、FENSE指標が人間の好むキャプションを選べるのはClotho-Evalのペアの75.7%にすぎない(Zhou ほか、FENSE、2021)。本まとめが扱うのは、音声の字幕ではなく、音声以外の音を機械が説明する取り組みである。字幕については、当社のキャプションと字幕の統計とキャプション・字幕制作の市場まとめで取り上げている。データは、Clotho、AudioCaps、WavCaps、AudioSetCapsの各データセット論文、FENSE、MACE、CLAIR-A、BRACEの評価研究、Audio FlamingoとMMAU-Proの論文、OpenAlex、そしてチャレンジ自身の結果表から集めた。
以下ではいくつかの用語が繰り返し登場する。ここでの「キャプション」とは、音を説明する、機械または人間が書いた1つの文を指す。「ベースライン」とは主催者が用意する基準システムで、各チームはこれを上回ることを目指す。SPIDEr、CIDEr、SPICEは画像キャプション生成から借用したスコア、FENSEは文の類似度に文法の崩れへのペナルティを組み合わせたもの、SPIDEr-FLは同様のペナルティを加えたSPIDErである。いずれも値が高いほど良い。
主なポイント
- 2024年の優勝システムはFENSEではベースラインを上回ったが(0.554対0.510)、SPIDEr-FLでは下回った(0.241対0.287)(DCASE Challenge、2024年タスク6の結果)。
- 人間の参照キャプションの一致度は、AudioCapsでSPIDEr 0.56、ClothoでSPIDEr 0.54である(Mei ほか、Audio Captioning Overview、2022)。
- あるモデルはAudioCapsでSPIDEr 0.466、Clothoでは0.301だった(Labbé ほか、CoNeTTE、2023)。
- FENSEが人間の好みと一致したのはClotho-Evalのペアの75.7%、SPICEは56.3%だった(Zhou ほか、FENSE、2021)。
- 2つの正しい人間のキャプションのペアでは、SPICEのClotho-Evalでのスコアは44.3%で、コイン投げより悪かった(Dixit ほか、MACE、2024)。
- WavCapsは403,050クリップ、7,567.92時間の音声を収めている(Mei ほか、WavCaps、2023)。
- AudioSetCapsは1,910,920件のキャプションを収めており、人間の評価は5点満点中3.70だった(Bai ほか、AudioSetCaps、2024)。
- GPT-4o-Audio-Previewは、キャプション中の存在しない音の検出ではF1が95.76と96.75だったが、キャプションの品質ランキングでは55.24だった(Guo ほか、BRACE、2025)。
- タイトルに「自動音響キャプション生成」を含む論文は、2019年の6本から2024年には36本に増えた(OpenAlex、タイトル検索、2026年10月31日)。
1. リーダーボードのスコア:5回の開催と縮む差
このリーダーボードの物語は、底上げされていく下限である。SPIDErで見ると、優勝システムのベースラインに対する差は、2021年の0.298(0.310引く0.012)から2022年には0.095(0.319引く0.224)へと縮んだ。主催者の出発点となるシステムが、表の上位よりもはるかに速く改善したためだ。2024年にはベースラインが31エントリー中30位となり、全体がFENSE 0.508から0.554の間に収まった。
上位のランキングは統計的にほぼ同点でもある。優勝システムの95%区間(0.543〜0.563)は2位の区間(0.534〜0.555)と重なっているが、ベースラインの区間(0.499〜0.521)は上回っている。指標を変えれば順位も変わる。優勝エントリーは候補キャプションをサンプリングし、フィルタリングして、GPT-4 Turboで要約した。これはSPIDEr-FLよりFENSEにはるかによく適合した。各指標をどこまで信頼できるかは、第5節で扱う。
| 指標 | 値 | 出典 |
|---|---|---|
| ランキング用の保留分割におけるSPIDErの最高スコア対ベースライン、開催回別 | 2020年:0.222対0.018、2021年:0.310対0.012、2022年:0.319対0.224 | タスク6の結果:DCASE 2020、2021、2022 |
| ランキング用の保留分割における2023年のSPIDEr-FLの最高スコア対ベースライン | 0.327対0.264 | DCASE 2023 タスク6aの結果 |
| Clothoの評価用分割における2024年のFENSEの最高スコア対ベースライン | 0.554(95%信頼区間 0.543〜0.563)対0.510(95%信頼区間 0.499〜0.521) | DCASE 2024 タスク6の結果 |
| 2024年の優勝システム対ベースラインのSPIDEr-FL、2024年の全エントリーで最高のSPIDEr-FL | 0.241対0.287、最高は0.329で、データ漏洩の疑いがあるとされたシステム | DCASE 2024 タスク6の結果 |
| あるチームの単一モデル対25モデルのアンサンブル、自チームの報告書でのFENSE | 0.5410対0.5442(ベースライン0.5040) | Jung ほか、技術報告書 2024 |
入手可能な最新データ:DCASE Challenge、2024年タスク6の結果。これ以降の開催回にはキャプション課題がない。アンサンブルの行は、力ずくで稼げる余地がどれほど残っていなかったかを示している。25モデルを足してもFENSEの上積みは0.0032(0.5442引く0.5410)にとどまった。
2. 参加規模と論文数
チーム数は横ばいだった。課題は5年間、9〜12チームで推移し、その後プログラムから外れた。2025年のプログラム(6タスク)にも2026年のプログラム(7タスク)にも、音響キャプション生成は含まれていない。 公開されたページに理由は書かれていないが、代わりのタスクが方向性を示唆しており、第7節でそれを追う。
学術分野の成果も似た経過をたどる。タイトルにこの語句を含む論文は、2019年から2024年にかけて6倍になり(36割る6)、その後は横ばいになった。OpenAlexでのより広い検索は上昇を続けており、キャプション生成は独立した分野ではなく、より大きな音声モデルの中の1つの機能になりつつあることを示唆する。この解釈は当社のものであり、広い検索にはノイズが多い。
| 指標 | 値 | 出典 |
|---|---|---|
| 開催回ごとのチーム数と提出システム数(ベースラインを除く) | 2020年:10と34、2021年:12と37、2022年:9と36、2023年:10と28、2024年:11と30 | DCASE タスク6の結果 2020〜2024年(リンクは第1節) |
| チャレンジのプログラム内のキャプション課題数、2025年プログラム全体の提出エントリー数 | 2025年:6タスク中0、2026年:7タスク中0、2025年のエントリーは277件 | DCASE 2025とDCASE 2026のプログラムページ |
| タイトルに ‘audio captioning’ を含む論文数、出版年別 | 2019年:6、2022年:27、2024年:36、2025年:33、2026年(10月31日まで):29 | OpenAlex タイトル検索、2026年10月31日 |
| タイトルにこの語句を含む全論文、2017年から2026年10月31日まで | 203 | OpenAlex タイトル検索、2026年10月31日 |
| OpenAlexのより広い語句検索で返されたレコード | 合計2,109、2025年に433、2026年(10月31日まで)に726 | OpenAlex 一般検索、2026年10月31日 |
3. 人間の上限:機械は人間の一致度からどれだけ離れているか
音響キャプション生成には唯一の正解がないため、研究者は人間の参照キャプションどうしを採点して上限を見積もる。これがコンセンサススコアである。人間の一致度は2つの主要データセットでほぼ同じ水準で、AudioCapsでSPIDEr 0.56、ClothoでSPIDEr 0.54だが、同じモデル構造の結果は0.466と0.301で大きく開く。
人間のスコアに対する割合で表すと、AudioCapsで約83%(0.466割る0.56)、Clothoで56%(0.301割る0.54)になる。したがって、この差は人間同士の不一致だけでは説明できない。Clothoのクリップは10秒に対して15〜30秒と長く、MACSはもう一方の極端な例で、同じクリップに対する人間のキャプションの言葉遣いがほとんど重ならない。MACSのSentence-BERTの値はSPIDErの値よりはるかに高く保たれており、人々が同じ場面を異なる言葉で説明していることを示唆する。
最後の行は、AudioCapsに関する主張を読む人にとって重要である。AudioSetで事前学習したエンコーダーは、すでにAudioCapsのテスト用ファイルを聞いており、そのファイルを事前学習から除くと、あるモデルはSPIDErで0.029を失った。
| 指標 | 値 | 出典 |
|---|---|---|
| AudioCaps、Clotho、MACSにおける人間のコンセンサスSPIDEr | 0.56、0.54、0.17 | Mei ほか、Audio Captioning Overview、2022 |
| AudioCaps、Clotho、MACSにおける人間のコンセンサスCIDEr | 0.90、0.86、0.21 | Mei ほか、Audio Captioning Overview、2022 |
| AudioCaps、Clotho、MACSにおける人間のコンセンサスSentence-BERT | 0.64、0.53、0.52 | Mei ほか、Audio Captioning Overview、2022 |
| 同じCNext-trans構造、AudioCapsのテストセット対ClothoのテストセットのSPIDEr | 0.466対0.301 | Labbé ほか、CoNeTTE、2023 |
| 同じCNext-trans構造、AudioCapsのテストセット対ClothoのテストセットのFENSE | 0.633対0.516 | Labbé ほか、CoNeTTE、2023 |
| AudioCapsにおけるCNext-transのSPIDEr、テスト音声を聞いたことのあるエンコーダー対聞いたことのないエンコーダー | 0.495対0.466 | Labbé ほか、CoNeTTE、2023 |
入手可能な最新データ:Mei ほか、Audio Captioning Overview、2022。コンセンサスの数値はモデルのスコアとは異なるサブセットを使っている。AudioCapsの検証用とテスト用、Clothoの学習用、そして5件の参照キャプションがあるMACSのクリップである。
4. データセットの規模:クラウドソーシングからLLMが書くキャプションへ
人間によるアノテーションがこの分野を築き、大規模言語モデル(LLM)がそれを拡大した。WavCapsは403,050クリップを収め、AudioCapsの学習セットの約60倍の音声量を持つ(7,563.3時間割る126.6時間、いずれもLabbé ほか、2023による)。 その後AudioSetCapsがキャプション数を1,910,920件に押し上げ、キャプションの平均の長さはClothoの11語から28語に伸びた。
データが増えても、無償の利得にはならなかった。WavCapsはクリーニング後、FreeSoundのクリップの46.3%(567,078件中262,300件)しか残らず、それで事前学習してもスコアの向上は控えめだった。生の品質も、「弱ラベル付き」という名前が示唆するより良好だったが、79クリップは小さな標本である。
| 指標 | 値 | 出典 |
|---|---|---|
| Clotho バージョン1の規模 | 4,981クリップ、24,905キャプション、1クリップあたり15〜30秒 | Drossos ほか、Clotho、2019 |
| AudioCapsの公式規模 | 10秒のクリップ51,308本 | Mei ほか、Audio Captioning Overview、2022 |
| ある研究チームがまだ入手できるAudioCapsの学習用ファイル | 49,838件中46,213件(92.7%) | Labbé ほか、CoNeTTE、2023 |
| WavCapsの規模 | 403,050クリップ、7,567.92時間 | Mei ほか、WavCaps、2023 |
| ChatGPTによるクリーニング前と後のWavCapsのFreeSoundクリップ | 567,078対262,300 | Mei ほか、WavCaps、2023 |
| 対象データセットのみで学習した場合対WavCapsで事前学習して対象で微調整した場合のSPIDEr(パーセント) | AudioCapsのHTSAT-BART:44.4対48.5、ClothoのCNN14-BART:25.5対31.0 | Mei ほか、WavCaps、2023 |
| AudioSetCapsのキャプション項目数、3つの拡張データセット全体のキャプション数 | 1,910,920、6,117,099 | Bai ほか、AudioSetCaps、2024 |
| 79クリップに対する人間の平均オピニオン評点(5点満点) | AudioSetラベル3.81、AudioCaps 3.79、AudioSetCaps 3.70、WavCaps 3.70、Auto-ACD 3.60 | Bai ほか、AudioSetCaps、2024 |
Clothoについて入手可能な最新データ:Drossos ほか、2019。AudioCapsのクリップはYouTube由来のため、動画が消えるにつれて入手可能な数が減り、2つのチームが同じファイルで学習しているとは限らない。
5. 評価指標:スコアは人間の判断と一致するか
リーダーボードは、その指標以上には良くならない。そしてこの課題の最初の数年間に使われた指標は、そもそも音のために作られたものではなかった。2024年のランキング指標であるFENSEは、今もClotho-Evalのペアの約4組に1組で人間の好みと食い違う(100引く75.7で24.3%)。 SPICEはさらに悪く、2つの正しい人間のキャプションのペアでは偶然の水準を下回る。
人間側も不安定である。評価者が絶対尺度でキャプションを採点したとき、一致度は低く、フライスのカッパ(評価者間の一致度を表す指標で、1が完全一致)はClothoで0.18だった。2つのキャプションのどちらが良いかを尋ねると、0.48に上がった。これが、これらのベンチマークがペアで比較する理由である。2024年世代の指標は音声やLLMの審査役を加えて数ポイント上積みし、CLAIR-Aはスコアの理由を言葉でも説明するため、人間の評価者は素のFENSEの数値よりも公平だと判断した。
| 指標 | 値 | 出典 |
|---|---|---|
| 指標が人間の好むキャプションを選んだペアの割合、FENSE対SPICE | Clotho-Eval:75.7%対56.3%、AudioCaps-Eval:85.3%対59.7% | Zhou ほか、FENSE、2021 |
| 評価者間の一致度(フライスのカッパ)、絶対評価対ペアでの選択 | Clotho:0.18対0.48、AudioCaps:0.23対0.33 | Zhou ほか、FENSE、2021 |
| Clotho-EvalとAudioCaps-Evalのベンチマークの規模 | 1,750ペアと1,671ペア、各250クリップ、1ペアにつき評価者4人 | Zhou ほか、FENSE、2021 |
| しきい値0.9におけるFENSEの誤り検出器、機械が書いた723件のキャプションで | 適合率96.8、再現率76.4、F1 85.4 | Zhou ほか、FENSE、2021 |
| 2つの正しい人間のキャプションからなるClotho-Evalのペアでの正解率:SPICE、FENSE、MACE | 44.3%、60.5%、63.3% | Dixit ほか、MACE、2024 |
| Clotho-Eval全体の正解率:GPT-4oを用いたCLAIR-A対FENSE | 79.7%対75.7% | Wu ほか、CLAIR-A、2024 |
| FENSEのスコア対理由を書き添えたCLAIR-Aのスコアに対する人間の公平性評価(5点満点、N=200) | 2.97対3.66 | Wu ほか、CLAIR-A、2024 |
ペアのベンチマーク自体について入手可能な最新データ:Zhou ほか、2021。より新しい研究は、この2021年のペアに対して新しい指標を再実行している。
6. 大規模音声モデル、モデルサイズ、存在しない音
キャプション生成は専用タスクから汎用音声モデルの副次的な能力へと移ったが、専門モデルは今も得意分野で先行している。Audio Flamingo 3はAudioCapsのCIDErを0.58から0.70へ引き上げたが、それでも第3節の人間のコンセンサス0.90や、AudioSetCapsで学習しAudioCapsで調整したモデルで報告された84.8(0〜100の尺度)を大きく下回る。 サイズも保証にはならない。12.0Mパラメータのモデルが、171Mや400Mのシステムと競い合っている。
良いキャプションは、聞くことの代わりにはならない。MMAU-Proが音声の代わりにキャプションをGPT-4oに与えたところ、正解率は35.3%に落ち、音声を直接受け取るモデルの59.2%を下回った。音声言語で同じ分断を追っている読者は、当社の音声質問応答のベンチマークと比較できる。
BRACEの結果は、二面性を示している。GPT-4o-Audio-Previewは、名詞が1つ捏造されたキャプションを見つけるのが最も得意だったが、2つの本物のキャプションの順位付けは苦手だった。このリスクは音声認識のハルシネーションと同じ構図で、捏造された単語の代わりに存在しない音が出てくる。
| 指標 | 値 | 出典 |
|---|---|---|
| CIDEr、Audio Flamingo 2対Audio Flamingo 3 | AudioCaps:0.58対0.70、Clotho-v2:0.46対0.50 | Goel ほか、Audio Flamingo 3、2025 |
| AudioSetCaps、AudioCaps、Clothoで事前学習し、AudioCapsで微調整したモデル:AudioCapsのテストセットでのスコア | CIDEr 84.8、SPIDEr 51.6 | Bai ほか、AudioSetCaps、2024 |
| AudioCapsでの学習可能パラメータ数:CNext-trans対HTSAT-BART対PYB | 12.0M対171M対400M | Labbé ほか、CoNeTTE、2023 |
| 2,496ペアでのキャプション品質のランキング(BRACE-Main)、F1:CLAPベースの最良指標対Audio Flamingo 2対GPT-4o-Audio-Preview | 70.01対63.19対55.24 | Guo ほか、BRACE、2025 |
| 名詞を1つ差し替えたキャプションの検出(10,315ペア、BRACE-Hallucination)、AudioCapsとClothoでのF1:GPT-4o-Audio-Preview対Audio Flamingo 2 | 95.76と96.75対79.55と72.91 | Guo ほか、BRACE、2025 |
| 5,305問でのMMAU-Pro平均:キャプションとGPT-4o対Audio Flamingo 3対Gemini 2.5 Flash | 35.3対51.7対59.2 | Kumar ほか、MMAU-Pro、2025 |
| 音声質問応答の正解率、最良エントリー対最強のベースライン(2つの異なるベンチマーク) | 2025年:73.74%対52.09%、2026年:58.33%対53.17% | DCASE 2025 タスク5とDCASE 2026 タスク5の結果 |
7. タイムスタンプ付きキャプション:ベンチマークの移った先
クリップ全体に対する1つの文では、いつ何が起きたかを伝えられない。最新のデータセットは、それを解決するために存在する。長尺音声から瞬間を見つける2026年のタスクには、21チームが59件の提出を行い、これは第2節の5回のキャプション課題のどの開催回よりも多く、Recall1@0.7の最高値48.59はベースラインの13.56の3倍超だった(48.59割る13.56で3.6)。 Recall1@0.7は、モデルの最上位の予測が真の瞬間と少なくとも0.7重なるかどうかを問う指標である。
このタスクの最高値と、データセット論文で報告された20.3との差は大きいが、この2つは異なるテストセットで測定されている。TACOSはもう1つの手がかりを加える。学習をクリップ単位のキャプションから時間整合キャプションに移すと、テキストに基づく音検出のスコアは上がったが、教師あり学習にははるかに及ばなかった。
| 指標 | 値 | 出典 |
|---|---|---|
| TACOSの規模 | 12,358録音、47,748件の時間整合キャプション、76.59時間 | Primus ほか、TACOS、2025 |
| TACOSのアノテーション | 学生337人、1クリップあたり平均3.57件のキャプション、各クリップの平均92.84%をカバー | Primus ほか、TACOS、2025 |
| 50カテゴリでのテキストに基づく音検出、PSDS1(検出スコア):事前学習、クリップ単位の微調整、時間整合の微調整、完全教師あり | 4.61、12.44、17.99、54.26 | Primus ほか、TACOS、2025 |
| CASTELLAの規模 | 1〜5分の録音1,862本、ローカルキャプション3,881件、タイムスタンプ11,308件、120時間超 | Munakata ほか、CASTELLA、2025 |
| Clotho-Momentの規模、合成の関連データセット | アノテーション済みクリップ44.3K、853時間 | Munakata ほか、CASTELLA、2025 |
| CASTELLA論文でのRecall1@0.7の最高値 | 20.3 | Munakata ほか、CASTELLA、2025 |
| 2026年の音声瞬間検索タスク:チーム数、提出数、Recall1@0.7の最高値対ベースライン | 21チーム、59件の提出、48.59対13.56 | DCASE 2026 タスク6の結果 |
数字で見る自動音響キャプション生成(まとめ)
| 指標 | 値 | 出典 |
|---|---|---|
| 2024年の優勝システム対ベースライン | FENSE 0.554対0.510、SPIDEr-FL 0.241対0.287 | DCASE Challenge、2024年タスク6の結果 |
| AudioCapsとClothoにおける人間のコンセンサスSPIDEr | 0.56と0.54 | Mei ほか、Audio Captioning Overview、2022 |
| CNext-transのSPIDEr、AudioCapsのテストセット対Clothoのテストセット | 0.466対0.301 | Labbé ほか、CoNeTTE、2023 |
| Clotho バージョン1 | 4,981クリップ、24,905キャプション | Drossos ほか、Clotho、2019 |
| AudioCapsの公式規模 | 51,308クリップ | Mei ほか、Audio Captioning Overview、2022 |
| WavCapsの規模 | 403,050クリップ、7,567.92時間 | Mei ほか、WavCaps、2023 |
| AudioSetCapsのキャプション項目数 | 1,910,920 | Bai ほか、AudioSetCaps、2024 |
| 人間の平均オピニオン評点(5点満点)、AudioCaps対AudioSetCaps | 3.79対3.70 | Bai ほか、AudioSetCaps、2024 |
| Clotho-Evalの正解率、FENSE対SPICE | 75.7%対56.3% | Zhou ほか、FENSE、2021 |
| Clothoの評価者間一致度(フライスのカッパ)、絶対評価対ペアでの選択 | 0.18対0.48 | Zhou ほか、FENSE、2021 |
| 2つの正しい人間のキャプションのペアでの正解率、Clotho-EvalのSPICE | 44.3% | Dixit ほか、MACE、2024 |
| Clotho-Eval全体の正解率、GPT-4oを用いたCLAIR-A | 79.7% | Wu ほか、CLAIR-A、2024 |
| AudioCapsでのCIDEr、Audio Flamingo 2対Audio Flamingo 3 | 0.58対0.70 | Goel ほか、Audio Flamingo 3、2025 |
| GPT-4o-Audio-PreviewのF1、キャプション品質のランキング対AudioCapsでの差し替え名詞の検出 | 55.24対95.76 | Guo ほか、BRACE、2025 |
| MMAU-Pro平均、キャプションとGPT-4o対Gemini 2.5 Flash | 35.3対59.2 | Kumar ほか、MMAU-Pro、2025 |
| TACOSの時間整合キャプション | 47,748 | Primus ほか、TACOS、2025 |
| CASTELLAのローカルキャプション | 3,881 | Munakata ほか、CASTELLA、2025 |
| タイトルに「自動音響キャプション生成」を含む論文、2024年対2025年 | 36対33 | OpenAlex タイトル検索、2026年10月31日 |
方法論と出典
今回の更新にあたり、以下の結果表、タスクページ、論文を読み、原著者を引用している。いかなる数値も、ブログやリーダーボードのミラーサイトからは取っていない。
- DCASE Challengeの結果:2020、2021、2022、2023、2024、2025年タスク5、2026年タスク5、2026年タスク6。タスクページ:2020、2022、2024、2026年タスク6。プログラム:2025、2026。
- Jung ほか、エンコーダー融合とLLM要約に関する技術報告書、2024。
- Drossos ほか、Clotho: An Audio Captioning Dataset、2019。
- Mei ほか、Automated Audio Captioning: An Overview of Recent Progress and New Challenges、2022。
- Mei ほか、WavCaps、2023。
- Bai ほか、AudioSetCaps、2024。
- Labbé ほか、CoNeTTE、2023。
- Zhou ほか、Can Audio Captions Be Evaluated with Image Caption Metrics?、2021。
- Dixit ほか、MACE、2024。
- Wu ほか、CLAIR-A、2024。
- Guo ほか、BRACE、2025。
- Goel ほか、Audio Flamingo 3、2025。
- Kumar ほか、MMAU-Pro、2025。
- Primus ほか、TACOS、2025。
- Munakata ほか、CASTELLA、2025。
- OpenAlex タイトル検索と一般検索。どちらも2026年10月31日に実行した。
- データウォッチ:開催回をまたぐスコアは厳密には比較できない。ランキング指標はSPIDEr(2020〜2022年)からSPIDEr-FL(2023年)、FENSE(2024年)へ変わり、2020年の開催回はClothoのバージョン1、2022年と2024年の開催回はバージョン2を使い、保留分割は2023年までテスト用分割、2024年には評価用分割と呼ばれた。Clothoの合計値も開催回で異なり、2022年のタスクページは6,974クリップと34,870キャプション、2024年のタスクページは6,972と34,860を示している。CoNeTTEの本文はClothoの学習用ファイルを3,840件、表は3,839件としており、結論部の49.5%という数値は表Vの重複するエンコーダーに一致するため、表の値を引用している。WavCapsは、自身の論文では7,567.92時間、CoNeTTEでは7,563.3時間である。MACEの本文は、FENSEについてClotho-EvalとAudioCaps-Evalの数値を取り違えているように見えるため、元のFENSE論文に従っている。CLAIR-Aの要旨はFENSEに対して5.8%の向上を主張するが、表では4.0ポイントであるため、表の値を引用している。BRACEのGPT-4o-Audio-Previewのハルシネーションに関するAvg-All(96.37)は2列の平均に等しくないため、列の値を引用している。名詞を差し替えたキャプションは最良の検出器と同じモデルファミリーであるGPT-4oが書いたもので、フィルタリング後のペアは全員一致した人間の投票だけを残している。AudioSetCapsは本文で「少なくとも5人」の評価者と記し、図のキャプションでは別の数字を示している。AudioCapsのテスト用クリップが、AudioSetに基づく学習から除外されていたかどうかは確認できていない。CIDErは0〜1と0〜100の両方の尺度で報告され、Audio Flamingo 2はAudioCapsのスコアをゼロショットと表示しているため、論文間のCIDEr比較は概算である。Clotho-Momentは、CASTELLA論文では44.3Kクリップ、2026年のタスクページでは51,240超の録音と44,261件のキャプションとされている。OpenAlexの件数はレコードの追加に伴って変わり、2026年は途中の年である。第3〜5節の入手可能な最新データには2019〜2023年の論文が含まれており、より新しいコンセンサス研究は見つからなかった。
最終更新日:2026年10月31日。当社はこのまとめを四半期ごとに更新しており、次回の更新は、DCASE 2027 Challengeがタスクの説明を公開する時期を予定している。