Quais são as métricas de avaliação da qualidade da geração de áudio (FAD, MOS)?

Para avaliar a qualidade da geração de áudio, frequentemente utilizam-se as seguintes métricas:

• FAD (Distância de Áudio de Fréchet) — uma métrica semelhante ao FID em imagens. Mede a distância entre as distribuições de características de áudio reais e geradas, obtidas com um modelo pré-treinado (por exemplo, VGGish). Quanto menor o FAD, mais próximo o áudio gerado está do real na percepção.

• MOS (Pontuação Média de Opinião) — avaliação subjetiva da qualidade do áudio, baseada em inquéritos a ouvintes. Normalmente, as pessoas avaliam o áudio numa escala de 1 a 5, onde 5 é a melhor qualidade. O MOS é considerado o padrão ouro, mas requer custos para realizar inquéritos.

Na prática, combina-se frequentemente métricas objetivas (FAD) com subjetivas (MOS) para obter uma compreensão mais completa da qualidade do áudio.