7.6 KiB
7.6 KiB
AIR-Bench-Foundation
概述
AIR-Bench Foundation 是 AIR-Bench（Audio InstRuction Benchmark，ACL 2024 主会）的判别任务部分——这是首个面向大型音频-语言模型（LALMs）的指令遵循基准测试，涵盖人类语音、自然声音和音乐。Foundation 轨道包含约 2.5 万道单选题，横跨三大音频类别中的 19 项逻辑任务。
任务描述
- 任务类型：基于音频片段的单选问答。
- 输入：一段音频 + 一道包含最多四个候选答案（A/B/C/D）的问题。
- 输出：从给定选项中选择一个字母。
类别（19 项任务 / 25 个源数据集子集）
- 语音（11 个子集 / 9 项任务）：语音定位、语言识别、性别识别、情感识别（IEMOCAP+MELD）、年龄预测、语音实体识别、意图分类、说话人数量统计、合成语音检测。
- 声音（6 个子集 / 4 项任务）：音频定位、人声分类、声学场景分类（CochlScene+TUT2017）、声音问答（avqa+clothoaqa）。
- 音乐（8 个子集 / 6 项任务）：乐器识别、流派识别、MIDI 音高分析、MIDI 力度分析、音乐问答、音乐情感识别。
提示模板（与官方 Inference_Foundation.py 一致）
Choose the most suitable answer from options A, B, C, and D to respond the question in next line, you may only choose A or B or C or D.
{question}
A. {choice_a}
B. {choice_b}
C. {choice_c}
D. {choice_d}
数据集获取
- 该数据集托管于 ModelScope：
evalscope/AIR-Bench-Dataset。采用 audiofolder + JSON metadata 的布局。evalscope 在首次运行时通过modelscope.dataset_snapshot_download按需下载；完整数据集约 49 GB，建议通过extra_params参数限制下载的子集。 - 如果数据集已存在于本地磁盘，请传入
dataset_args={'air_bench_foundation': {'local_path': '/path/to/AIR-Bench-Dataset'}}；本地根目录应包含Foundation/文件夹。 - 部分 Foundation 样本为 FLAC 格式。为兼容 OpenAI 风格的音频输入，evalscope 会将其转换为缓存的 WAV 文件，这需要安装
soundfile（pip install "evalscope[air_bench]"）或系统中存在可用的ffmpeg二进制文件。
评估说明
- 指标：准确率（按源数据集子集计算，并按类别聚合）。
- 默认提示模板遵循官方
Inference_Foundation.py的格式，因此可复现现有的 AIR-Bench 排行榜结果。 - 设置
extra_params={'subsets': [...]}可限制评估范围至 25 个源目录中的部分子集——适用于仅下载了部分数据的情况。
属性
| 属性 | 值 |
|---|---|
| 基准测试名称 | air_bench_foundation |
| 数据集 ID | evalscope/AIR-Bench |
| 论文 | Paper |
| 标签 | Audio, Knowledge, MCQ |
| 指标 | acc |
| 默认示例数 | 0-shot |
| 评估划分 | test |
数据统计
| 指标 | 值 |
|---|---|
| 总样本数 | 21,426 |
| 提示词长度（平均） | 236.68 字符 |
| 提示词长度（最小/最大） | 179 / 321 字符 |
各子集统计信息：
| 子集 | 样本数 | 提示平均长度 | 提示最小长度 | 提示最大长度 |
|---|---|---|---|---|
Speaker_Age_Prediction_common_voice_13.0_en |
1,000 | 291.98 | 278 | 305 |
Speaker_Emotion_Recontion_iemocap |
1,000 | 227.13 | 218 | 238 |
Speaker_Emotion_Recontion_meld |
1,000 | 233.21 | 218 | 250 |
Speaker_Gender_Recognition_common_voice_13_en |
780 | 226.19 | 213 | 241 |
Speaker_Gender_Recognition_meld |
1,000 | 226.42 | 213 | 241 |
Speaker_Intent_Classification_slurp |
662 | 268.52 | 232 | 295 |
Speaker_Number_Verification_voxceleb1 |
314 | 208.24 | 194 | 221 |
Speech_Entity_Reconition_slurp |
1,000 | 253.14 | 226 | 316 |
Speech_Grounding_librispeech |
981 | 253.92 | 230 | 282 |
Spoken_Language_Identification_covost2 |
495 | 207.12 | 191 | 232 |
Synthesized_Voice_Detection_fake_or_real |
1,000 | 224.79 | 203 | 242 |
Acoustic_Scene_Classification_CochlScene |
1,000 | 240.97 | 213 | 278 |
Acoustic_Scene_Classification_TUT2017 |
1,000 | 241.72 | 207 | 284 |
Audio_Grounding_AudioGrounding |
896 | 273.74 | 249 | 321 |
Sound_AQA_avqa |
1,000 | 227.21 | 193 | 298 |
Sound_AQA_clothoaqa |
1,000 | 199.89 | 179 | 262 |
vocal_sound_classification_VocalSound |
985 | 232.62 | 210 | 253 |
Music_AQA_music_avqa |
814 | 208.7 | 185 | 238 |
Music_Genre_Recognition_MTJ-Jamendo |
1,000 | 223.84 | 200 | 248 |
Music_Genre_Recognition_fma |
1,000 | 224.59 | 201 | 250 |
Music_Instruments_Classfication_MTJ-Jamendo |
1,000 | 236.52 | 218 | 262 |
Music_Instruments_Classfication_nsynth |
996 | 228.12 | 216 | 247 |
Music_Midi_Pitch_Analysis_nsynth |
493 | 253.88 | 243 | 264 |
Music_Midi_Velocity_Analysis_nsynth |
484 | 270.6 | 259 | 279 |
Music_Mood_Recognition_MTJ-Jamendo |
526 | 229.67 | 210 | 248 |
音频统计信息：
| 指标 | 值 |
|---|---|
| 音频文件总数 | 21,426 |
| 每样本音频数量 | 最小: 1, 最大: 1, 平均: 1 |
| 格式 | mp3, wav |
样例示例
子集: Speaker_Age_Prediction_common_voice_13.0_en
{
"input": [
{
"id": "544443c0",
"content": [
{
"audio": "[BASE64_AUDIO: mp3, ~25.9KB]",
"format": "mp3"
},
{
"text": "Choose the most suitable answer from options A, B, C, and D to respond the question in next line, you may only choose A or B or C or D.\nWhich age range do you believe best matches the speaker's voice?\nA. teens to twenties\nB. thirties to fourties\nC. fifties to sixties\nD. seventies to eighties"
}
]
}
],
"target": "B",
"id": 0,
"group_id": 0,
"subset_key": "Speaker_Age_Prediction_common_voice_13.0_en",
"metadata": {
"uniq_id": 5973,
"task_name": "Speaker_Age_Prediction",
"dataset_name": "common_voice_13.0_en",
"category": "speech",
"answer_gt_text": "thirties to fourties",
"choices": {
"A": "teens to twenties",
"B": "thirties to fourties",
"C": "fifties to sixties",
"D": "seventies to eighties"
}
}
}
提示模板
提示模板：
Choose the most suitable answer from options A, B, C, and D to respond the question in next line, you may only choose A or B or C or D.
额外参数
| 参数 | 类型 | 默认值 | 描述 |
|---|---|---|---|
subsets |
list |
None |
可选的 Foundation 源数据集目录列表，用于指定评估范围。默认为全部 25 个目录。当本地仅下载了部分子集时非常有用。 |
使用方法
使用 CLI
evalscope eval \
--model YOUR_MODEL \
--api-url OPENAI_API_COMPAT_URL \
--api-key EMPTY_TOKEN \
--datasets air_bench_foundation \
--limit 10 # 正式评估时请删除此行
使用 Python
from evalscope import run_task
from evalscope.config import TaskConfig
task_cfg = TaskConfig(
model='YOUR_MODEL',
api_url='OPENAI_API_COMPAT_URL',
api_key='EMPTY_TOKEN',
datasets=['air_bench_foundation'],
dataset_args={
'air_bench_foundation': {
# subset_list: ['Speaker_Age_Prediction_common_voice_13.0_en', 'Speaker_Emotion_Recontion_iemocap', 'Speaker_Emotion_Recontion_meld'] # 可选，评估特定子集
# extra_params: {} # 使用默认额外参数
}
},
limit=10, # 正式评估时请删除此行
)
run_task(task_cfg=task_cfg)