wavlab-speech/versa

解决的问题

VERSA 提供了一个统一的工具包，用于评估语音和音频质量。研究人员和开发者无需手动实现或集成数十种不同的评分方法，而是可以通过单一框架访问跨多个音频质量维度的 90 多个评估和分析指标。

工作原理

VERSA 作为大量音频指标的全面封装器和协调器。它将这些指标分为四类：独立型（无需参考）、依赖型（将预测值与参考值进行比较）、非匹配型和分布型（集合的统计特性）。该工具包支持多种输入格式，如文件路径、SCP 文件和 Kaldi 风格的 ARK 文件，并可通过 Slurm 在本地机器或集群上进行部署。它还集成了基于大语言模型的感知指标（例如基于 Qwen2-Audio 的指标），以提供更细致的音频分析。

适用人群

专为语音和音频研究人员、神经编码器开发者，以及任何需要标准化方式衡量性能的 AI 驱动音频生成或处理系统构建者设计。

主要亮点

• 庞大的指标库：可访问 90 多个指标，涵盖感知质量、可懂度和技术测量。
• 可扩展的基础设施：内置对 Slurm 分布式评估的支持，并支持中断后评分任务的恢复。
• 灵活的输入/输出：与 ESPnet 等标准语音工具包兼容，支持多种音频输入格式。
• LLM 集成：支持由大语言模型驱动的感知指标，实现高级音频质量评估。
• 发现工具：包含 CLI 工具（versa-score），可列出可用指标，并根据任务生成推荐的配置文件。