Clotho 是一个 audio captioning 数据集。该数据集侧重于音频的内容，以及字幕的多样性，由 4,981 个音频样本组成，每个音频样本有 5 个字幕（总共 24,905 个字幕），持续时间为 15 到 30 秒，字幕长度为 8 到 20 个单词。