Nous explorons le problème de la génération de légendes audio (audio captioning) : la création de descriptions en langage naturel pour tout type d'audio dans des environnements réels, un domaine étonnamment peu étudié dans les travaux antérieurs. Nous proposons un grand ensemble de données comprenant 46 000 extraits audio accompagnés de paires de textes rédigés par des humains, collectées via le crowd-sourcing à partir du dataset AudioSet. Nos études empiriques approfondies démontrent non seulement que nos légendes sont effectivement fidèles aux entrées audio, mais également qu’elles permettent d’identifier les types de représentations audio et les modèles de génération de légendes les plus efficaces pour cette tâche. À partir d’expériences étendues, nous proposons également deux nouveaux composants visant à améliorer les performances du captioning audio : un encodeur multi-échelle à approche haut-bas et une attention sémantique alignée.