抱歉你的损失：基于谱的音频距离不擅长音高

越来越多的研究表明，合成失败模式意味着泛化能力差。我们在一个合成基准上比较常用的音频到音频损失，测量两个平稳正弦信号之间的音高距离。结果令人惊讶：许多损失对音高方向缺乏辨别力。这些缺陷通过简单的排序假设得以暴露。我们的任务对人类而言微不足道，但对这些音频距离而言却很困难，这表明通过改进当前的损失函数，自监督音频学习可取得显著进展。