Kādas ir skaņas ģenerēšanas kvalitātes novērtēšanas metriki (FAD, MOS)?

Lai novērtētu audio ģenerēšanas kvalitāti, bieži tiek izmantotas šādi rādītāji:

• FAD (Fréchet Audio Distance) — līdzīgs FID attēlos. Tas mēra attālumu starp reālo un ģenerēto audio īpašību sadalījumiem, kas iegūti ar iepriekš apmācītu modeli (piemēram, VGGish). Jo mazāks FAD, jo tuvāk ģenerētais audio ir reālam uztverē.

• MOS (Vidējais viedokļa vērtējums) — subjektīvs audio kvalitātes novērtējums, balstīts uz aptaujām klausītājiem. Parasti cilvēki novērtē audio skalā no 1 līdz 5, kur 5 ir labākais kvalitātes rādītājs. MOS tiek uzskatīts par zelta standartu, taču tas prasa izmaksas aptaujām.

Praktiski bieži tiek apvienotas objektīvas (FAD) un subjektīvas (MOS) metrikas, lai iegūtu pilnīgāku priekšstatu par audio kvalitāti.