MusicCaps est un ensemble de données composé de 5 521 extraits musicaux de 10 secondes chacun, étiquetés avec une liste d'aspects et une légende en texte libre rédigée par des musiciens. Une liste d'aspects est une liste d'adjectifs décrivant comment la musique sonne, tels que "pop, hi-hats étroits métalliques, mélodie de piano douce, mélodie vocale féminine aiguë, synthé lead pulsatile soutenu". La légende en texte libre est une description de la façon dont la musique sonne, incluant des détails comme les instruments et l'ambiance. MusicCaps provient de l'ensemble de données AudioSet et est divisé en un ensemble d'évaluation et d'entraînement. L'ensemble de données est sous licence Creative Commons BY-SA 4.0. Chaque extrait est étiqueté avec des métadonnées telles que l'ID YT (indiquant la vidéo YouTube dans laquelle le segment musical étiqueté apparaît), le début et la fin de la position dans la vidéo, des étiquettes de l'ensemble de données AudioSet, la liste d'aspects, la légende, l'ID de l'auteur (pour regrouper les échantillons par leur auteur), est un sous-ensemble équilibré, et fait partie de l'ensemble de données AudioSet d'évaluation. L'ensemble de données est destiné à être utilisé pour des tâches de description musicale.