一个提示，多种声音：在基于 LLM 的均衡器中对听众偏好差异进行建模

传统的音频均衡是一个静态过程，需要手动进行繁琐的调整以适应不断变化的收听环境（例如情绪、位置或社交场合）。在本文中，我们引入了一种基于大语言模型（LLM）的替代方案，将自然语言文本提示映射到均衡器设置。这实现了一种对话式的音响系统控制方法。通过利用在受控收听实验中收集的数据，我们的模型利用上下文学习和参数高效微调技术，可靠地与人群偏好的均衡器设置对齐。我们的评估方法利用了捕捉用户多样化偏好的分布指标，表明在分布对齐方面，相较于随机采样和静态预设基线取得了统计学上的显著改善。这些结果表明，LLM 可以充当“人工均衡器”，有助于开发更易于使用、具备情境感知能力且达到专家水平的音频调优方法。