AudioBERTScore: 基于音频嵌入序列相似性的环境声合成客观评估指标
声音
2025-07-02 v1 音频与语音处理
摘要
我们提出了一种用于文本到音频（TTA）合成音频的客观评估指标，以提高TTA模型的性能。TTA中，合成声音的主观评估是重要但需要经济成本的实现方式。因此，常用 mel-cepstral distortion 等客观评估指标，但这些客观指标与主观评估值之间的相关性较弱。我们提出的客观评估指标AudioBERTScore计算合成声与参考声的嵌入相似性。该方法不仅基于常规BERTScore中的最大范数，还使用 -norm 以反映环境声的非局部性。实验结果表明，所提出方法获得的分数与主观评估值之间的相关性高于常规指标。
引用
@article{arxiv.2507.00475,
title = {AudioBERTScore: Objective Evaluation of Environmental Sound Synthesis Based on Similarity of Audio embedding Sequences},
author = {Minoru Kishi and Ryosuke Sakai and Shinnosuke Takamichi and Yusuke Kanamori and Yuki Okamoto},
journal= {arXiv preprint arXiv:2507.00475},
year = {2025}
}