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)