电气工程与系统科学 > 音频与语音处理
[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
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。
文献和引用工具
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
推荐器和搜索工具
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.