Jaké jsou metriky hodnocení kvality generování audia (FAD, MOS)?

Pro hodnocení kvality generovaného zvuku se často používají následující metriky:

• FAD (Fréchet Audio Distance) — metrika podobná FID u obrázků. Měří vzdálenost mezi rozděleními vlastností skutečného a generovaného zvuku, získanými pomocí předem natrénovaného modelu (například VGGish). Čím menší je FAD, tím je generovaný zvuk vnímán jako bližší skutečnému.

• MOS (Průměrné skóre názoru) — subjektivní hodnocení kvality zvuku založené na průzkumech posluchačů. Obvykle lidé hodnotí zvuk na škále od 1 do 5, kde 5 je nejlepší kvalita. MOS je považováno za zlatý standard, ale vyžaduje náklady na provádění průzkumů.

V praxi se často kombinuje objektivní metriky (FAD) se subjektivními (MOS), aby bylo možné získat komplexnější představu o kvalitě zvuku.