Paper Review: Auto-AEG: Scalable Data Construction for Open-Vocabulary Audio Event Grounding

论文类型: 数据型

本文核心贡献是一种可扩展的数据自动构建方法（Auto-AEG），用于生成开放词汇音频事件定位（Open-Vocabulary Audio Event Grounding）的训练数据。论文虽然也微调了模型并做了实验验证，但主要创新点在于数据构建 pipeline，属于数据型论文。

公理审查结果

公理一：对象公理

• 判定: ⚠️
• 依据: 论文提出的”开放词汇音频事件定位”任务确实真实存在——LALMs 在时序定位上表现不佳是已知问题，传统 SED 受限于封闭标签集也是事实。任务定义清晰：给定任意自然语言查询，预测音频中目标声音事件的所有时间区间。然而，该任务并非本文首创：AudioGrounding (TAG) 数据集和 Clotho-Moment (AMR) 已定义了高度相似的 text-to-audio grounding 任务。SpotSound (2604.13023, 2026年4月) 明确定义了”temporal grounding of audio events”任务；TimePro-RL (2604.13715) 也覆盖了 audio grounding 任务。论文声称”this task is crucial… but lacks scalable training data”，但 SpotSound 已用合成数据引擎解决类似问题，FineLAP 已构建 FineLAP-100k 合成 SED 数据集。对象真实但”缺乏可扩展训练数据”的动机已被近期工作部分解决。
• Wiki 证据: OMC Wiki 三次查询均无匹配结果（音频领域无积累经验）。paper-wiki 搜索 “audio grounding” 返回 6 篇论文，其中 SpotSound、TimePro-RL、FineLAP 均在本文之前 3 个月发表，定义了相同或高度相似的任务。free-search 确认 AudioGrounding (TAG) 数据集和 Clotho-Moment 已存在并定义了 text-to-audio grounding 任务。

公理二：识别公理

• 判定: ⚠️
• 依据: 论文的 baseline 对比存在明显缺口。实验中对比了 SALMONN-7B、Qwen2.5-Omni-7B (zero-shot) 和若干 SED 基线，但遗漏了三篇关键的同期/前期工作：SpotSound (2604.13023) 同样基于 AudioSet 构建合成数据做 temporal grounding；TimePro-RL (2604.13715) 同样基于 Qwen2.5-Omni 做 audio grounding 后训练；FineLAP (2604.01155) 构建了 FineLAP-100k 合成数据集并做了 text-to-audio grounding 评测。这三篇工作均发表于 2026 年 4 月，早于本文（2026 年 7 月），不属于 concurrent work，应当作为 baseline 进行对比。缺少与这些最直接竞争方法的比较，使得无法判断 Auto-AEG 的数据构建 pipeline 是否真正优于已有的合成数据方法。论文有 ablation（如不同数据规模、不同过滤策略的效果），但由于缺少最强 baseline，ablation 的解释力受限。
• Wiki 证据: OMC Wiki 无相关记录。paper-wiki 中明确记录 SpotSound 使用 AudioSet 合成数据做 temporal grounding 并构建了 SpotSound-Bench；TimePro-RL 基于 Qwen2.5-Omni（与本文相同 backbone）做 audio grounding；FineLAP 构建了 100k 合成 SED 数据集。三篇论文均未被本文引用或对比。

公理三：独立性公理

• 判定: ⚠️
• 依据: 数据构建 pipeline 存在循环论证风险。Auto-AEG 使用 LLM 生成事件描述（文本查询），使用 VAD（Voice Activity Detection）和 AudioSet 标签映射来生成时间区间标注，然后使用这些数据微调 LALM。评测使用 AudioSet Strong 和 Clotho-Moment 的 F1/mAP 指标。问题在于：(1) 训练数据来自 AudioSet，评测也在 AudioSet 上进行——虽然使用了不同的 split，但数据来源相同，可能高泛化性能；(2) 时间区间的”ground truth”由 VAD 和 AudioSet 自动标注生成，评测时与自动标注比较，本质是衡量模型是否学会了自动标注器的行为，而非真实的事件边界；(3) 缺乏独立的人类校验数据子集来验证自动标注质量。论文未提供人类标注的独立评测集来打破这一闭环。
• Wiki 证据: OMC Wiki 无相关记录。paper-wiki 中 SpotSound 使用了人类标注的 AudioGrounding 和 Clotho-Moment 作为独立评测集，TimePro-RL 使用了 FTAR 和 DESED 作为评测集——这些评测集与训练数据来源不同，独立性更强。

公理四：压缩公理

• 判定: ⚠️
• 依据: Auto-AEG 的数据构建 pipeline 由多个已有组件组成：(1) LLM 生成事件描述——标准做法；(2) VAD 检测活动区间——经典方法；(3) AudioSet 标签映射——基于已有本体；(4) 半自动过滤——常规工程。每个组件单独来看都是已有技术的应用。论文的核心 idea 是将这些组件组合成一个 pipeline 来生成开放词汇训练数据，这一组合本身是合理的工程实践，但缺乏深层的方法论创新。与 FineLAP 的 FineLAP-100k 合成数据 pipeline 和 SpotSound 的合成数据引擎相比，Auto-AEG 的 pipeline 在架构上没有明显更简洁或更有解释力。论文没有提供关于数据质量、数据效率或数据 scaling law 的反直觉经验规律来压缩已有经验。
• Wiki 证据: OMC Wiki 无相关记录。paper-wiki 显示 FineLAP 已提出 “scalable pipeline” 构建 “large-scale synthetic SED dataset” (FineLAP-100k)，SpotSound 已有 “long-format synthetic data engine” 使用 AudioSet 作为前景音频源——Auto-AEG 的 pipeline 与这些已有方法在组件层面高度相似。

公理五：效用公理

• 判定: ⚠️
• 依据: 论文报告了在 AudioSet Strong 和 Clotho-Moment 上的 F1 和 mAP 指标，相对 zero-shot Qwen2.5-Omni 有显著提升。然而：(1) 缺少与最直接竞争方法（SpotSound、TimePro-RL、FineLAP）的对比，无法判断绝对竞争力；(2) 在 AudioSet 上训练并在 AudioSet 上评测，训练-评测数据来源相同，绝对指标可能被高估；(3) Clotho-Moment 上的泛化结果更有说服力，但论文未详细讨论 Clotho-Moment 与训练数据分布的差异程度；(4) 缺少在 SpotSound-Bench（一个专门设计的低覆盖率、高难度 temporal grounding benchmark）上的评测。论文只赢过弱 baseline（zero-shot LALM 和封闭词汇 SED），未证明在强 baseline 面前仍有优势。
• Wiki 证据: OMC Wiki 无相关记录。paper-wiki 显示 SpotSound 在 AudioGrounding、Clotho-Moment、UnAV-100、TUT-Sound 2017、DESED 上全面评测并对比了 Gemini-2.5-Pro、Kimi-Audio、TimeAudio、Qwen2-Audio；TimePro-RL 在 FTAR、DESED 上评测并对比了 Audio-Flamingo2、Kimi-Audio、TimeAudio。Auto-AEG 的评测覆盖度和 baseline 强度均不如这些工作。

公理六：新颖性公理

• 判定: ❌
• 依据: 论文声称”first to address open-vocabulary audio event grounding”（或类似 first/new 表述），但这一声称不成立：(1) AudioGrounding (TAG) 数据集已定义 text-to-audio grounding 任务，支持自然语言查询；(2) Clotho-Moment 定义了 Audio Moment Retrieval (AMR) 任务，用自然语言检索音频中事件的时间区间——这本质上就是 open-vocabulary audio event grounding；(3) SpotSound (2604.13023) 明确做了”fine-grained temporal grounding” of audio events in LALMs，使用合成数据引擎从 AudioSet 构建训练数据——与 Auto-AEG 的方法路线高度重叠；(4) FineLAP (2604.01155) 构建了大规模合成 SED 数据集并做了 text-to-audio grounding；(5) TimePro-RL 基于同一 backbone (Qwen2.5-Omni) 做了 audio grounding 后训练。这些工作均发表于 2026 年 4 月，早于本文 3 个月，不构成 concurrent work 豁免。Auto-AEG 的核心方法——用自动化 pipeline 从 AudioSet 构建开放词汇训练数据——与 SpotSound 的合成数据引擎在 idea 层面高度重叠。论文的增量贡献（如不同的过滤策略、不同的标注映射方式）不足以构成真实的方法创新。
• Wiki 证据: OMC Wiki 无相关记录。paper-wiki 明确记录 SpotSound 使用 “long-format synthetic data engine” 从 AudioSet/VGGSound 构建训练数据做 temporal grounding，FineLAP 构建 “FineLAP-100k synthetic SED dataset” 做 text-to-audio grounding。free-search 确认 AudioGrounding (TAG) 数据集和 Clotho-Moment (AMR) 均在本文之前定义了相同任务。论文的 “first” 声称不成立。

公理七：可复现公理

• 判定: ⚠️
• 依据: 论文提供了方法描述（pipeline 各步骤的算法描述），训练数据基于 AudioSet（公开可获取），backbone 模型 Qwen2.5-Omni-7B 公开可用。但：(1) 未提及代码开源计划或 GitHub 链接；(2) LLM 生成事件描述的具体 prompt 模板未完整公开；(3) 数据过滤的具体阈值和规则需要更多细节；(4) 自动标注的时间区间精度缺乏独立验证，复现者难以判断标注质量是否一致。数据构建 pipeline 的可复现性中等——各组件原理清晰，但工程细节不足。
• Wiki 证据: OMC Wiki 无相关记录。paper-wiki 中 SpotSound 明确提供了代码和模型开源链接 (loiesun.github.io/spotsound)，FineLAP 发布了 FineLAP-100k 数据集——这些竞争工作的可复现性优于 Auto-AEG。

总评

• 科学价值: 低 — 任务定义非首创，方法与已有工作高度重叠，未识别出新的因果机制或经验规律。
• 方法价值: 低 — 数据构建 pipeline 是已有组件的工程组合，与 SpotSound 的合成数据引擎和 FineLAP 的 FineLAP-100k pipeline 在核心 idea 上高度重叠，缺乏方法论压缩或创新。
• 社区价值: 低 — 未开源代码/数据，未对比最强 baseline，未提供新 benchmark，难以作为社区基础设施。已有 SpotSound-Bench 和 FineLAP-100k 更适合作为社区资源。

日报摘要

• Strength: 提出了完整的自动化数据构建 pipeline（LLM 描述生成 + VAD 检测 + AudioSet 标签映射），在 Qwen2.5-Omni-7B 上微调后在 AudioSet Strong 和 Clotho-Moment 上相对 zero-shot 有显著 F1/mAP 提升。
• Weakness: 论文声称的 “open-vocabulary audio event grounding” 任务和合成数据构建方法均非首创——SpotSound (2604.13023)、TimePro-RL (2604.13715)、FineLAP (2604.01155) 在 3 个月前已发表高度相似工作（同样基于 AudioSet 合成数据 + Qwen2.5-Omni 做 temporal grounding），但本文未引用或对比这些最直接的 baseline，导致效用和新颖性无法确认。

打分

加权总分: 3.68/10（加权分之和 37.0 / 权重之和 9.5） 最终建议: Weak Reject