摘要

本技术报告介绍了参与2020年音频场景与事件检测与分类（DCASE 2020）挑战赛任务6——自动音频描述生成（automated audio captioning）的系统方案。我们的提交重点针对自动音频描述生成中的两个不确定性问题：词汇选择的不确定性与句子长度的不确定性。通过多任务学习框架，我们同时对主描述生成任务及子不确定性问题进行建模，实现关键词预测与句子长度估计。我们在开发测试数据集上对简化版模型进行了测试，结果表明，本模型的SPIDEr得分为20.7，显著优于基线系统的5.4分。