感知度量驱动的语音增强网络中的幻觉

在语音增强领域，人们一直对创建明确旨在提高处理后音频感知质量的神经网络系统抱有持续兴趣。与此相辅相成的是非侵入式（即无干净参考）语音质量预测主题，其中训练神经网络直接从失真音频预测人类分配的质量标签。结合这些领域，可以创建强大的新型语音增强系统，该系统通过将预训练的语音质量预测器的推理作为语音增强系统的唯一损失函数，从而利用大型真实世界失真音频数据集。本文旨在识别这种方法的一个潜在陷阱，即由增强系统“欺骗”语音质量预测器而引入的幻觉。