MusicCaps es un conjunto de datos de 5.521 clips de música de 10 segundos cada uno, etiquetados con una lista de aspectos y un título de texto libre escrito por músicos. Una lista de aspectos es una lista de adjetivos que describen cómo suena la música, tales como “pop, tinny wide hi hats, melodía de piano suave, melodía vocal femenina de alto tono, pista de síntesis pulsante sostenido”. El título de texto libre es una descripción de cómo suena la música, incluyendo detalles como instrumentos y humor. MusicCaps se origina en el conjunto de datos AudioSet y se divide en…