音频描述方法、系统、电子设备和存储介质

本申请实施例公开音频描述方法、系统、电子设备和存储介质，其中，方法包括：在对比语言‑音频预训练时，联合训练音频编码器和文本编码器，以便在共享的嵌入空间中对齐语义相似的音频文本对；在训练过程中，使用大语言模型学习解码真实字幕经由所述文本编码器产生的CLAP文本嵌入以重建字幕；在推理过程中，用所述音频编码器替换所述文本编码器，经由所述音频编码器提取音频嵌入，最后经由所述大语言模型产生最终字幕。