Zimtohrli：一种高效的心理声学音频相似度度量
音频与语音处理
2025-10-01 v1
摘要
本文介绍了Zimtohrli，一种新颖的全参考音频相似度度量，旨在实现高效且感知准确的音质评估。在计算密集型深度学习模型和专有传统标准主导的时代，迫切需要一种可解释的、基于心理声学的度量，以平衡性能与实用性。Zimtohrli通过结合一个128-bin的伽马通滤波器组前端（模拟耳蜗的频率分辨率）和一个独特的非线性谐振器模型（模拟人耳鼓膜对声学刺激的响应）来弥补这一差距。相似度通过使用改进的动态时间规整（DTW）和神经图相似度指数测量（NSIM）算法比较感知映射的声谱图来计算，这些算法引入了新颖的非线性以更好地符合人类判断。Zimtohrli取得了优于基线开源ViSQOL度量的性能，并显著缩小了与最新商业POLQA度量的性能差距。它在感知相关性和计算效率之间提供了令人信服的平衡，使其成为现代音频工程应用（从编解码器开发到生成式音频系统评估）的有力替代方案。
引用
@article{arxiv.2509.26133,
title = {Zimtohrli: An Efficient Psychoacoustic Audio Similarity Metric},
author = {Jyrki Alakuijala and Martin Bruse and Sami Boukortt and Jozef Marus Coldenhoff and Milos Cernak},
journal= {arXiv preprint arXiv:2509.26133},
year = {2025}
}
备注
pip install zimtohrli