Stability-AI/stable-audio-metrics

解決的問題

提供一種標準化的方法來評估音樂與音訊生成模型的品質，特別聚焦於長時間、全頻段立體聲音訊。透過自動處理重取樣與單聲道/立體聲轉換，確保不同模型之間的公平比較。

如何運作

本專案實作了三種基於既有模型的主要評估指標：

• 弗雷歇距離（48kHz）使用 OpenL3
• Kullback–Leibler（KL）散度（32kHz）使用 PaSST
• CLAP 分數（48kHz）使用 CLAP-LAION

這些指標可處理長度可變的音訊檔案，並專為 GPU 執行設計，以提升效率。

適用對象

需要將生成音訊與音樂 AI 模型的輸出品質與 MusicCaps、AudioCaps 及 Song Describer 等基準進行定量比較的研究人員與開發者。

主要亮點

• 標準化基準測試：支援對 MusicCaps、AudioCaps 及 Song Describer 資料集進行評估。
• 彈性輸入：可處理長度可變的音訊輸入，並自動管理立體聲/單聲道差異。
• 預先計算的統計資料：包含使用預先計算的參考統計與嵌入的「無音訊」範例，以加速評估。
• GPU 優化：特別設計為 GPU 執行，避免緩慢的 CPU 處理。