AF-Chat est un ensemble de données textuelles de conversation audio publié par NVIDIA en 2025. Les résultats de l'article associé sont «Audio Flamingo 3 : Optimisation de l'intelligence audio grâce à des modèles de langage audio entièrement ouverts et volumineux", qui vise à former et à évaluer des modèles de génération de dialogue. L'ensemble de données contient environ 75 000 dialogues multi-tours et multi-audio (en moyenne 4,6 segments et 6,2 tours ; entre 2 et 8 segments et 2 à 10 tours), couvrant la parole, les sons environnementaux et la musique. L'ensemble de données est divisé en différents sous-ensembles (son, musique 4ALL, millions de chansons) selon la source de chaque audio. Seules les annotations textuelles de type questions-réponses sont fournies, et non les fichiers audio eux-mêmes.

Citation

@misc{ghoshaudioflamingonext,
title={Audio Flamingo Next: Next-Generation Open Audio-Language Models for Speech, Sound, and Music},
author={Sreyan Ghosh and Arushi Goel and Kaousheik Jayakumar and Lasha Koroshinadze and Nishit Anand and Zhifeng Kong and Siddharth Gururani and Sang-gil Lee and Jaehyeon Kim and Aya Aljafari and Chao-Han Huck Yang and Sungwon Kim and Ramani Duraiswami and Dinesh Manocha and Mohammad Shoeybi, Bryan Catanzaro and Ming-Yu Liu and Wei Ping},
year={2026},
eprint={},
archivePrefix={arXiv},
primaryClass={cs.SD},
url={},
}