video_soundscape
Detect and timestamp non-speech sounds in a video segment with 527 AudioSet classes and probabilities, so you can verify what occurs on screen.
Instructions
听这一段"有什么声音"(不是"说了什么"):AudioSet 527 类多标签 + 概率 + 时间码。 能覆盖吃饭/咀嚼、敲桌子/拍、水声、杯子碰撞、拖拽、塑料袋等;喝水/吞咽没有对应类。 只下这一段音频(60 秒约 1MB)。概率是模型输出,不是事实断言,要结合画面核对。
Input Schema
| Name | Required | Description | Default |
|---|---|---|---|
| end | No | 60 | |
| hop | No | ||
| url | Yes | ||
| start | No | 0 | |
| top_k | No | ||
| window | No | ||
| min_prob | No |