面向生成式音频的评估：来自神经音频编解码器嵌入距离的启示
音频与语音处理
2026-01-23 v2
摘要
神经音频编解码器（NACs）通过学习紧凑的音频表示实现低码率压缩，这些表示也可作为感知质量评估的特征。我们提出了 DACe，这是 Descript Audio Codec (DAC) 的增强高保真版本，在多样且平衡采样的真实与合成音调数据上训练而成。我们在涵盖语音、音乐和混合内容的 MUSHRA 测试中，系统比较了 Fréchet Audio Distance (FAD) 和 Maximum Mean Discrepancy (MMD)。FAD 始终优于 MMD，且来自更高保真度 NACs（如 DACe）的嵌入与人类判断表现出更强的相关性。尽管 CLAP LAION Music (CLAP-M) 和 OpenL3 Mel128 (OpenL3-128M) 嵌入实现了更高的相关性，但 NAC 嵌入为音频质量评估提供了一种实用的零样本方法，仅需未编码音频进行训练。这些结果证明了 NACs 在压缩和感知驱动的音频评估方面的双重效用。
引用
@article{arxiv.2509.18823,
title = {Towards Evaluating Generative Audio: Insights from Neural Audio Codec Embedding Distances},
author = {Arijit Biswas and Lars Villemoes},
journal= {arXiv preprint arXiv:2509.18823},
year = {2026}
}
备注
Accepted to 51st IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Barcelona, Spain, 04-08 May 2026