SPO-CLAPScore：基于标准化偏好优化增强 CLAP 对齐预测系统，用于首个 XACLE 挑战
声音
2026-01-07 v1 音频与语音处理
摘要
首个 XACLE 挑战（x-to-audio 对齐挑战）旨在解决自动评估指标以人类感知为准绩评估音频-文本语义对齐的关键需求。本文描述了提交给 XACLE 挑战的“Takano_UTokyo_03”系统。我们的方法利用 CLAPScore 架构集成一种新颖的训练方法，称为标准化偏好优化（SPO）。SPO 对每个听者提供的原始对齐分数进行标准化处理，使模型能够学习相对偏好并减轻个体评分偏差的影响。此外，我们采用听者筛选以排除评分不一致的听者。实验评估表明，SPO 和听者筛选均有效提高了与人类判断的相关性。我们的系统在挑战中获得第 6 名，采用 Spearman 秩相关系数（SRCC）为 0.6142，展示了在与顶尖系统之间仅有细微差距的情况下取得的具竞争力的性能。代码已公开于 https://github.com/ttakano398/SPO-CLAPScore。
引用
@article{arxiv.2601.02900,
title = {SPO-CLAPScore: Enhancing CLAP-based alignment prediction system with Standardize Preference Optimization, for the first XACLE Challenge},
author = {Taisei Takano and Ryoya Yoshida},
journal= {arXiv preprint arXiv:2601.02900},
year = {2026}
}
备注
https://github.com/ttakano398/SPO-CLAPScore