Audio Captioning on Clotho v2 (test) benchmark leaderboard · SOTA2 Research

Audio Captioning on Clotho v2 (test)

0.602BLEU-1resource-efficient AAC framework

Evaluation Results

Method
resource-efficient AAC framework2026.06	0.602	0.18	0.182	0.394	0.446	0.126	0.286	0.478
Eren et al.2026.06	0.59	0.14	0.22	0.45	0.28	—	—	—
DCASE 20232026.06	0.565	0.151	0.171	0.371	0.388	0.117	0.252	0.437
Kim et al.2026.06	0.56	0.16	0.17	0.378	0.392	0.118	0.255	0.336
Pengi2026.06	0.556	0.144	0.166	0.375	0.4	0.126	0.26	0.488
Koizumi et al.2026.06	0.521	0.107	0.149	0.342	0.258	0.097	0.177	—
Gontier et al.2026.06	0.506	0.134	0.148	0.338	0.278	0.092	0.185	—
resource-efficient AAC framework2026.06	0.374	0.078	0.122	0.282	0.225	0.076	0.142	0.437
Kim et al.2026.06	0.342	0.065	0.112	0.276	0.192	0.074	0.133	0.325
Keyword→LLaMA-2-7B2026.06	0.317	0.02	0.117	0.227	0.118	0.073	0.095	0.445
Gontier et al.2026.06	0.309	0.034	0.098	0.233	0.112	0.046	0.079	—
DCASE 20232026.06	0.296	0.06	0.102	0.25	0.157	0.064	0.11	—