NOMAD：用于语音增强与非匹配参考音频质量评估的感知嵌入无监督学习
声音
2024-01-22 v2 音频与语音处理
摘要
本文提出 NOMAD（Non-Matching Audio Distance），一种可微感知相似度度量，用于衡量退化信号与非匹配参考之间的距离。所提方法基于通过由 Neurogram Similarity Index Measure（NSIM）引导的三元组损失学习深度特征嵌入，以捕获退化强度。推理期间，任意两个音频样本间的相似度分数通过其嵌入的欧氏距离计算。NOMAD 完全无监督，可用于通用感知音频任务中的音频分析，例如质量评估，以及生成任务如语音增强与语音合成。所提方法以 3 项任务评估：退化强度排序、语音质量预测，以及作为语音增强的损失函数。结果表明 NOMAD 在退化强度排序与质量评估上均优于其他非匹配参考方法，并展现出与全参考音频度量相当的性能。NOMAD 展示了一种有前景的技术，可在无需人工标注情况下以非匹配参考模仿人类评估音频质量的能力来学习感知嵌入。
引用
@article{arxiv.2309.16284,
title = {NOMAD: Unsupervised Learning of Perceptual Embeddings for Speech Enhancement and Non-matching Reference Audio Quality Assessment},
author = {Alessandro Ragano and Jan Skoglund and Andrew Hines},
journal= {arXiv preprint arXiv:2309.16284},
year = {2024}
}
备注
Accepted for ICASSP 2024