WhiSQA：使用Whisper编码器特征的非侵入式语音质量预测
声音
2025-08-05 v1 机器学习
音频与语音处理
摘要
近年来，在开发基于神经网络的语音质量预测器方面投入了大量的研究工作。虽然一个主要目标是开发非侵入式（即无参考）指标来评估语音增强系统的性能，但最近的工作也研究了在下游语音任务的损失函数中直接推断神经语音质量预测器。为了辅助语音质量预测器的训练，已经创建了几个包含音频及其对应人类质量标签的大型数据集。该领域的最新工作表明，从大型无监督或半监督基础语音模型导出的语音表示是神经语音质量预测的有用输入特征表示。在这项工作中，提出了一种新颖且鲁棒的语音质量预测器，它基于从自动语音识别模型提取的特征表示，该表示被发现是语音质量预测任务的一个强大输入特征。所提出的系统在所有NISQA测试集上实现了与人类平均意见分更高的相关性，并且与常用的DNSMOS指标相比，显示出显著更好的领域适应性。
引用
@article{arxiv.2508.02210,
title = {WhiSQA: Non-Intrusive Speech Quality Prediction Using Whisper Encoder Features},
author = {George Close and Kris Hong and Thomas Hain and Stefan Goetze},
journal= {arXiv preprint arXiv:2508.02210},
year = {2025}
}
备注
Accepted at SPECOM 2025