关于任务诱导编码器偏置的 Fréchet 音频距离实证分析
音频与语音处理
2026-03-02 v1 声音
摘要
Fréchet 音频距离（FAD）是评估文本到音频生成的事实标准，但其分数取决于底层编码器的嵌入空间。编码器的训练任务决定了保留或丢弃哪些声学特征，导致 FAD 继承了系统性的任务诱导偏置。我们将评估分解为召回率、精确率和对齐度（分为语义和结构维度），使用对数尺度归一化以实现跨编码器的公平比较。在六个编码器和两个数据集上的受控实验揭示了四轴权衡：基于重建的 AudioMAE 导致精确率敏感；ASR 训练的 Whisper 在结构检测中占主导，但对信号退化视而不见；在分类训练的 VGGish 中最大化语义检测，但惩罚合法的类内变异。由于没有单个编码器能作为通用评估器，未来的指标必须转向评估本土编码器，这类编码器与人类感知内在一致。
关键词
引用
@article{arxiv.2602.23958,
title = {An Empirical Analysis of Task-Induced Encoder Bias in Fr\'echet Audio Distance},
author = {Wonwoo Jeong},
journal= {arXiv preprint arXiv:2602.23958},
year = {2026}
}
备注
6 pages, 4 figures. Submitted to Interspeech 2026. Source code and evaluation pipeline are available at: https://github.com/wonwoo-jeong/fad-encoder-bias