Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2508.06284

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2508.06284 (eess)
[提交于 2025年8月8日 ]

标题: 利用大语言模型进行可扩展的非侵入式语音质量评估

标题: Leveraging LLMs for Scalable Non-intrusive Speech Quality Assessment

Authors:Fredrik Cumlin, Xinyu Liang, Anubhab Ghosh, Saikat Chatterjee
摘要: 非侵入式语音质量评估(SQA)系统面临训练数据有限和人工标注成本高昂的问题,这阻碍了它们在实时会议通话中的泛化能力。 在本工作中,我们提出利用大型语言模型(LLMs)作为伪评分者来评估语音质量,以解决这些数据瓶颈问题。 我们构建了LibriAugmented数据集,该数据集包含101,129个带有模拟退化的语音片段,由微调的听觉LLM(Vicuna-7b-v1.5)进行标记。 我们比较了三种训练策略:使用人工标记的数据、使用LLM标记的数据,以及两阶段方法(先在LLM标记上预训练,然后在人工标记上微调),同时使用DNSMOS Pro和DeePMOS。 我们在多种跨语言和质量退化情况的数据集上进行了测试。 虽然与人工标记训练相比,LLM标记训练的结果好坏参半,但我们提供了实证证据表明,两阶段方法提高了泛化性能(例如,在NISQA_TEST_LIVETALK上DNSMOS Pro的PCC达到0.63 vs. 0.55,以及在腾讯带有混响的测试中达到0.73 vs. 0.65 PCC)。 我们的研究结果展示了将LLMs用作可扩展伪评分者的潜力,为数据限制问题提供了一种成本效益高的解决方案。
摘要: Non-intrusive speech quality assessment (SQA) systems suffer from limited training data and costly human annotations, hindering their generalization to real-time conferencing calls. In this work, we propose leveraging large language models (LLMs) as pseudo-raters for speech quality to address these data bottlenecks. We construct LibriAugmented, a dataset consisting of 101,129 speech clips with simulated degradations labeled by a fine-tuned auditory LLM (Vicuna-7b-v1.5). We compare three training strategies: using human-labeled data, using LLM-labeled data, and a two-stage approach (pretraining on LLM labels, then fine-tuning on human labels), using both DNSMOS Pro and DeePMOS. We test on several datasets across languages and quality degradations. While LLM-labeled training yields mixed results compared to human-labeled training, we provide empirical evidence that the two-stage approach improves the generalization performance (e.g., DNSMOS Pro achieves 0.63 vs. 0.55 PCC on NISQA_TEST_LIVETALK and 0.73 vs. 0.65 PCC on Tencent with reverb). Our findings demonstrate the potential of using LLMs as scalable pseudo-raters for speech quality assessment, offering a cost-effective solution to the data limitation problem.
评论: ECAI研讨会论文
主题: 音频与语音处理 (eess.AS)
引用方式: arXiv:2508.06284 [eess.AS]
  (或者 arXiv:2508.06284v1 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.06284
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Fredrik Cumlin Mr [查看电子邮件]
[v1] 星期五, 2025 年 8 月 8 日 13:05:31 UTC (557 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
eess.AS
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号