عنوان مقاله به انگلیسی | On the Audio Hallucinations in Large Audio-Video Language Models |
عنوان مقاله به فارسی | در مورد توهمات صوتی در مدل های بزرگ زبانی صوتی-تصویری |
نویسندگان | Taichi Nishimura, Shota Nakada, Masayoshi Kondo |
زبان مقاله | انگلیسی |
فرمت مقاله: | |
چکیده | Large audio-video language models can generate descriptions for both video and audio. However, they sometimes ignore audio content, producing audio descriptions solely reliant on visual information. This paper refers to this as audio hallucinations and analyzes them in large audio-video language models. We gather 1,000 sentences by inquiring about audio information and annotate them whether they contain hallucinations. If a sentence is hallucinated, we also categorize the type of hallucination. The results reveal that 332 sentences are hallucinated with distinct trends observed in nouns and verbs for each hallucination type. Based on this, we tackle a task of audio hallucination classification using pre-trained audio-text models in the zero-shot and fine-tuning settings. Our experimental results reveal that the zero-shot models achieve higher performance (52.2% in F1) than the random (40.3%) and the fine-tuning models achieve 87.9%, outperforming the zero-shot models. |
تعداد صفحات | 6 |
چکیده به فارسی (ترجمه ماشینی) | مدل های بزرگ زبان صوتی و ویدئویی می توانند توضیحاتی را برای هر دو فیلم و صوتی ایجاد کنند.با این حال ، آنها گاهی اوقات محتوای صوتی را نادیده می گیرند ، و توضیحات صوتی را صرفاً به اطلاعات بصری متکی می کنند.این مقاله از این به عنوان توهم صوتی یاد می کند و آنها را در مدل های بزرگ زبان صوتی و تصویری تجزیه و تحلیل می کند.ما با پرس و جو در مورد اطلاعات صوتی 1000 جمله جمع می کنیم و آیا آنها شامل توهم هستند.اگر یک جمله توهم شود ، ما نوع توهم را نیز طبقه بندی می کنیم.نتایج نشان می دهد که 332 جمله با روندهای مشخص مشاهده شده در اسم و افعال برای هر نوع توهم توهم می شوند.بر این اساس ، ما با استفاده از مدل های صوتی از قبل آموزش دیده در تنظیمات صفر و تنظیم دقیق ، وظیفه طبقه بندی توهم صوتی را بر عهده داریم.نتایج تجربی ما نشان می دهد که مدل های صفر-شات نسبت به تصادفی (40.3 ٪) به عملکرد بالاتر (52.2 ٪ در F1) دست می یابند و مدل های تنظیم دقیق به 87.9 ٪ می رسند و از مدل های صفر استفاده می کنند. |
دسته بندی موضوعات | Multimedia,Computation and Language,Computer Vision and Pattern Recognition,Sound,Audio and Speech Processing,چندرسانه ای ، محاسبات و زبان ، دید رایانه و تشخیص الگوی ، صدا ، صدا و گفتار ، |
توضیحات | Submitted 18 January, 2024; originally announced January 2024. , Comments: 6 pages |
توضیحات به فارسی | ارائه شده در 18 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد ، نظرات: 6 صفحه |
توجه کنید این مقاله به زبان انگلیسی است. |
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|
نقد و بررسیها
هنوز بررسیای ثبت نشده است.