音乐源分离烘焙实验：客观指标与人类感知的比较
音频与语音处理
2025-10-01 v3
摘要
音乐源分离旨在从混合音频录音中提取单个声源（如人声、鼓乐、吉他）。然而，评估分离后音频质量仍具有挑战性，因为常用的评估指标如源破坏比（SDR）并不总是与人类感知一致。本研究对MUSDB18测试集进行大规模听者评估，为每个音轨收集约30个评分，来自七个不同的听者群体。我们比较了Several objective energy-ratio metrics，包括经典措施（BSSEval v4、SI-SDR变体），以及基于嵌入的替代方案（使用CLAP-LAION-music、EnCodec、VGGish、Wave2Vec2和HuBERT的Frechet Audio Distance）。虽然SDR在人声估计方面表现最佳，但我们的结果表明，规模不变信号到人为物比（SI-SAR）更能预测鼓组和低音鼓的听者评级。使用CLAP-LAION-music嵌入计算的Frechet Audio Distance（FAD）也表现出竞争性能——分别达到鼓组和低音鼓的Kendall's tau值为0.25和0.19——在这些音轨方面匹配或超越了基于能量的指标。然而，包括CLAP在内的所有嵌入式指标，都未与人类感知在人声估计中呈正相关。这些发现凸显了针对不同音源类型的评估策略的必要性，并表明没有单一指标能可靠地反映所有源类型的感知质量。我们发布原始听者评级，以支持可重复性和进一步研究。
引用
@article{arxiv.2507.06917,
title = {Musical Source Separation Bake-Off: Comparing Objective Metrics with Human Perception},
author = {Noah Jaffe and John Ashley Burgoyne},
journal= {arXiv preprint arXiv:2507.06917},
year = {2025}
}