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:2509.03292v1

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2509.03292v1 (eess)
[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

Authors:Dyah A. M. G. Wisnu, Ryandhimas E. Zezario, Stefano Rini, Hsin-Min Wang, Yu Tsao
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。
摘要: We present a system for automatic multi-axis perceptual quality prediction of generative audio, developed for Track 2 of the AudioMOS Challenge 2025. The task is to predict four Audio Aesthetic Scores--Production Quality, Production Complexity, Content Enjoyment, and Content Usefulness--for audio generated by text-to-speech (TTS), text-to-audio (TTA), and text-to-music (TTM) systems. A main challenge is the domain shift between natural training data and synthetic evaluation data. To address this, we combine BEATs, a pretrained transformer-based audio representation model, with a multi-branch long short-term memory (LSTM) predictor and use a triplet loss with buffer-based sampling to structure the embedding space by perceptual similarity. Our results show that this improves embedding discriminability and generalization, enabling domain-robust audio quality assessment without synthetic training data.
评论: 被IEEE自动语音识别与理解研讨会(ASRU)2025接受
主题: 音频与语音处理 (eess.AS) ; 机器学习 (cs.LG); 声音 (cs.SD)
引用方式: arXiv:2509.03292 [eess.AS]
  (或者 arXiv:2509.03292v1 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2509.03292
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Dyah A. M. G Wisnu [查看电子邮件]
[v1] 星期三, 2025 年 9 月 3 日 13:19:56 UTC (168 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
查看许可
当前浏览上下文:
eess.AS
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-09
切换浏览方式为:
cs
cs.LG
cs.SD
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