단일 사건 소리를 사용한 상세한 오디오-텍스트 데이터 시뮬레이션 파이프라인

사람의 오디오 설명에 포함된 상세 정보를 분석하고, 이를 기반으로 풍부한 세부 정보를 포함하는 오디오-텍스트 쌍을 자동으로 생성하는 파이프라인을 제안한다.