ARECHO：基于链式假设优化的自回归评估用于语音多指标估计
声音
2025-10-31 v2 多媒体
音频与语音处理
摘要
语音信号分析面临重大挑战，特别是在语音质量评估和剖析等任务中，其目标是预测多个感知和客观指标。例如，PESQ（语音质量感知评估）、STOI（短时客观可懂度）和 MOS（平均意见分）等指标各自捕捉语音质量的不同方面。然而，这些指标通常具有不同的尺度、假设和依赖性，使得联合估计并非易事。为了解决这些问题，我们引入了 ARECHO（基于链式假设优化的自回归评估），这是一个基于自回归依赖建模的、用于语音评估的链式通用评估系统。ARECHO 以三项关键创新为特色：（1）全面的语音信息分词流水线；（2）显式捕捉指标间依赖关系的动态分类器链；（3）增强推理可靠性的两步面向置信度的解码算法。实验表明，ARECHO 在多种评估场景中显著优于基线框架，包括增强语音分析、语音生成评估和含噪语音评估。此外，其动态依赖建模通过捕捉指标间关系提高了可解释性。在各项任务中，ARECHO 利用其动态分类器链提供无参考评估，支持子集查询（单一或多个指标），并通过面向置信度的解码减少误差传播。
引用
@article{arxiv.2505.24518,
title = {ARECHO: Autoregressive Evaluation via Chain-Based Hypothesis Optimization for Speech Multi-Metric Estimation},
author = {Jiatong Shi and Yifan Cheng and Bo-Hao Su and Hye-jin Shim and Jinchuan Tian and Samuele Cornell and Yiwen Zhao and Siddhant Arora and Shinji Watanabe},
journal= {arXiv preprint arXiv:2505.24518},
year = {2025}
}
备注
NeurIPS 2025 Spotlight