ASTAR-NTU解答AudioMOS挑战2025赛道1
声音
2025-07-15 v1 音频与语音处理
摘要
文本到音乐系统的评估受限于收集专家评估成本和获取难度。AudioMOS 2025挑战赛道1旨在自动预测音乐印象（MI）以及提示词与生成音乐作品之间的文本对齐（TA）。本文报告我们的获胜系统，该系统采用双分支架构，分别使用预训练的MuQ和RoBERTa模型作为音频和文本编码器。采用跨注意力机制融合音频和文本表征。训练时，我们将MI和TA预测重新表述为分类任务。为融合MOS评分的序数特性，将 one-hot 标签转换为基于高斯核的软分布。在官方测试集上，采用该方法训练的单一模型实现了MI为0.991、TA为0.952的系统级斯皮尔曼等级相关系数（SRCC），相较于挑战基线，MI SRCC提升21.21%，TA SRCC提升31.47%。
引用
@article{arxiv.2507.09904,
title = {ASTAR-NTU solution to AudioMOS Challenge 2025 Track1},
author = {Fabian Ritter-Gutierrez and Yi-Cheng Lin and Jui-Chiang Wei and Jeremy H. M. Wong and Nancy F. Chen and Hung-yi Lee},
journal= {arXiv preprint arXiv:2507.09904},
year = {2025}
}
备注
Under Review - Submitted to AudioMOS Challenge 2025 - ASRU 2025