电气工程与系统科学 > 音频与语音处理
[提交于 2025年9月3日
]
标题: 通过三元组损失和自监督嵌入改进感知音频美学评估
标题: Improving Perceptual Audio Aesthetic Assessment via Triplet Loss and Self-Supervised Embeddings
摘要: 我们提出了一种用于生成音频的多轴感知质量预测的系统,该系统专为AudioMOS挑战2025年的Track 2而开发。 任务是对由文本到语音(TTS)、文本到音频(TTA)和文本到音乐(TTM)系统生成的音频预测四个音频审美评分——制作质量、制作复杂性、内容愉悦度和内容实用性。 主要挑战是自然训练数据与合成评估数据之间的领域偏移。 为了解决这个问题,我们将BEATs(一种预训练的基于变压器的音频表示模型)与多分支长短期记忆(LSTM)预测器相结合,并使用带有缓冲区采样的三元组损失来通过感知相似性构建嵌入空间。 我们的结果表明,这提高了嵌入的可区分性和泛化能力,使无需合成训练数据的领域稳健音频质量评估成为可能。
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.