Sound Scene Generation（声场生成）旨在自动合成人工声场。我们发布了 SsgCaps，这是一套公开可用的人为构造声场数据集，每个声场都对应一个严格结构化的提示（prompt），该提示指导采样过程。提示来源于预定义的基于动作的类型学，既能实现大规模采样，又能保持情境的合理性。
SsgCaps 源自 2024 年 DCASE Challenge 第 7 任务的未公开参考数据集，该任务使用了私有和公共域音频。不同于原始数据，SsgCaps 仅包含公共域音频，从而可以向社区完全开放。
为了让数据集更具价值，我们首先阐述了提示和数据结构的设计动机。随后，对两个版本的数据集进行定量比较：使用 Fréchet Audio Distance（FAD）和 Kernel Audio Distance（KAD）以及感知评分，将它们分别与挑战赛中提交的 SSG 算法生成的音频进行对比。结果显示两版数据在上述指标上差异很小，因而我们推荐使用开放版作为后续 SSG 算法基准。
点评