MMMOS-多领域多轴音频质量评估-计算机科学-机器学习-音频质量评估.pdfVIP

MMMOS：多领域多轴音频质量评估

Yi-ChengLin,Jia-HungChen,Hung-yiLee

NationalTaiwanUniversity,EqualContribution

{hungyilee}@.tw

摘要—准确的音频质量估计对于开发和评估音频生成、检索和增强

系统至关重要。现有的非侵入性评估模型为语音预测单一的平均意见得

分（MOS），合并了多种感知因素，并且无法扩展到语音以外的应用。我

们提出了MMOMS，这是一种无需参考、多领域的音频质量评估系统，

能够估计四个正交轴：制作质量、制作复杂度、内容欣赏性和内容实用

性，这些维度涵盖了语音、音乐和环境声音。MMOMS融合了三个预

训练编码器（WavLM、MuQ和M2D）的帧级嵌入，并使用四种损

失函数评估三种聚合策略。通过组合顶级的八个模型，MMOMS将均图1.模型架构的多金属氧酸盐。BLSTM是一个可选组件，取决于聚合

方误差降低了20–30%，并且肯德尔等级相关系数提高了4–5%。方法（第III-B节）。

相比于基线，在八项制作复杂度指标中的六项获得第一名，并且在三十供更多的可解释性。对于音乐，之前的研究评估了压缩音乐的音

本二个挑战性指标中的十七项排名前三。

质[7]或通过助听器听到的音乐[8]。

译IndexTerms—音频质量评估，平均意见得分（MOS）对于一般的音频，首先提出了一种基于GRU的方法[9]

中I.介绍来评估语音、音乐和环境声音的单一主观质量分数。Meta的

1AudioboxAesthetics使用WavLM编码器[10]在四个维度上

v非侵入式语音质量评估已被广泛研究，提出了诸如MOSA-训练任何音频片段的多方面评估模型，并将评分校准为可以比较

4Net[1]、Quality-Net[2]和LDNet[3]等模型来预测语音信号的的，适用于语音、音乐和一般音频。然而，这些工作并没有利用

9

0单一MOS值。然而，这些方法通常存在两个关键限制：(1)它们来自不同领域的大型预训练音频编码器。

4将感知质量浓缩为一个标量，掩盖了重要的正交质量方面；(2)它一些最近的研究旨在学习一种跨越多个领域的单一音频表

0

.们专为语音设计，缺乏推广到其他音频领域（如音乐和环境声音）示。Wu等人[11]提出了将语音和音高编码器的潜在特征连接起

7

0的能力。来，以创建一个“整体”的嵌入。Ritter-Gutierrez等人[12],[13]

5本工作介绍了我们的自动质量评估系统MMMOS，用于探索了模型合并技术来融合语音和音乐编码器。虽然这些方法改

2

:2025年AudioMOS挑战赛的第二赛道。该任务旨在通过4个正进了一般用途的音频表示，但它们尚未应用于感知质量评估。

v交轴来评估文本转语音（TTS）、文本转音频（TTA）和文本转音

i

x乐（TTM）系统的样本，以减少单一评分评价的模糊性。制作质III.方法论

r

a量（PQ）通过清晰度、动态范围、频率平衡和空间化来衡量技术A.数据集

保真度。制作复杂度（PC）通过计数不同的声音组件来量化音频我们在两个数据集上训练和验证我们的模型：AES-自然

场景的复杂程度。内容享受（CE）在情感影响、艺术表达和听众[14]，官方挑战数据集，和AES-PAM[15]。AES-自然聚合音