MMMOS：多域多轴音频质量评估
音频与语音处理
2026-01-13 v2 人工智能
计算与语言
摘要
准确的音频质量估计对于开发和评估音频生成、检索和增强系统至关重要。现有的非侵入式评估模型预测单个 Mean Opinion Score (MOS) 用于语音，将多样感知因素合并，难以在语音之外获得良好泛化。我们提出了 MMMOS，一种无参考的多域音频质量评估系统，用于估计语音、音乐和环境声的四个正交轴：生产质量、生产复杂度、内容享受和内容实用性。MMMOS 融合来自三个预训练编码器（WavLM、MuQ 和 M2D）的帧级嵌入，并评估四种损失函数下的三种聚合策略。通过对 Top 8 个模型进行集成，MMMOS 在均方误差上减少 20-30%，Kendall's {\tau} 提升 4-5%，在六个生产复杂度指标中夺得第一名，在 32 个挑战指标中排名前三。
引用
@article{arxiv.2507.04094,
title = {MMMOS: Multi-domain Multi-axis Audio Quality Assessment},
author = {Yi-Cheng Lin and Jia-Hung Chen and Hung-yi Lee},
journal= {arXiv preprint arXiv:2507.04094},
year = {2026}
}
备注
4 pages including 1 page of reference. Accepted by ASRU Audio MOS 2025 Challenge