SALF-MOS：用于 MOS 预测的说话人无关下采样潜在特征
声音
2025-06-04 v1 人工智能
机器学习
摘要
语音质量评估是选择文本到语音合成（TTS）或语音转换模型的关键过程。语音合成的评估可以使用客观指标或主观指标来完成。尽管有许多客观指标，如语音质量感知评估（PESQ）、感知客观听觉质量评估（POLQA）或短时客观可懂度（STOI），但它们在选择最佳模型时均不可行。另一方面，像平均意见分（MOS）这样的主观指标高度可靠，但需要大量人工工作且耗时。为了应对 MOS 评估中的问题，我们开发了一种新颖的模型，说话人无关潜在特征（SALF）-平均意见分（MOS），这是一个用于在 5 分制上预测 MOS 分数的小型、端到端、高度泛化且可扩展的模型。我们使用一系列卷积并将其堆叠以获取音频样本的潜在特征，从而基于均方误差（MSE）、线性一致性相关系数（LCC）、Spearman 等级相关系数（SRCC）和 Kendall 等级相关系数（KTAU）获得了最佳的最先进结果。
引用
@article{arxiv.2506.02082,
title = {SALF-MOS: Speaker Agnostic Latent Features Downsampled for MOS Prediction},
author = {Saurabh Agrawal and Raj Gohil and Gopal Kumar Agrawal and Vikram C M and Kushal Verma},
journal= {arXiv preprint arXiv:2506.02082},
year = {2025}
}