跳转至

GOMPSNR: Reflourish the Signal-to-Noise Ratio Metric for Audio Generation Tasks

会议: AAAI2026
arXiv: 2601.13758
代码: lingling-dai/GOMPSNR
领域: 音频语音
关键词: signal-to-noise ratio, phase derivatives, audio quality metric, loss function, neural vocoder

一句话总结

通过引入全方位相位导数（omnidirectional phase derivatives）替换瞬时相位来重构 SNR 指标，提出 GOMPSNR 作为更可靠的音频质量评估指标，并衍生出一系列新的损失函数显著提升神经声码器性能。

背景与动机

现有痛点

现有痛点：领域现状：信噪比（SNR）长期以来是音频生成任务中评估质量的基础客观指标。然而越来越多研究表明 SNR 及其变体（segSNR、SI-SNR 等）与 PESQ、UTMOS 等感知指标的相关性很低，逐渐被边缘化。与此同时，具有类似数学形式的 MCD 和 M-STFT 仍然是主流指标。这一矛盾促使作者追问两个问题：

  1. SNR 为何失效？ 作者将 SNR 从时域展开到时频域后发现，SNR 隐式地耦合了幅度和相位的度量。幅度谱的残差具有清晰结构，但相位谱的残差呈现无信息的噪声图案，说明传统的瞬时相位（IP）距离度量本身就不可靠。
  2. 如何修复 SNR？ 相位导数（瞬时频率 IF 和群延迟 GD）比瞬时相位具有更清晰的结构，可用于替代 IP 来计算相位距离。

解决思路

本文目标：- SNR 中相位距离的不准确度量是导致其与人耳感知不一致的关键因素 - 相位谱因 wrapping 特性（值域限制在 \([-\pi, \pi)\)）和对波形平移的高敏感性，直接计算距离不可靠 - SNR 公式中相关项 \(C\) 的符号在 \(\theta - \hat{\theta}\) 约 \(\pm\pi/2\) 附近翻转，造成数值振荡，使 SNR 对相位误差过度敏感

方法详解

1. 全方位相位导数（Omnidirectional Phase Derivatives）

使用 9 个固定参数的 \(3 \times 3\) 卷积核 \(\mathcal{K} \in \mathbb{R}^{9 \times 3 \times 3}\)，从时频图上 8 个相邻方向加上瞬时相位本身提取全方位相位导数：

\[\nabla\theta = \theta \circledast \mathcal{K}\]

配合反缠绕函数 \(f_{AW}(x) = |x - 2\pi \cdot \text{round}(x / 2\pi)|\) 解决相位 wrapping 问题。

2. GOMPSNR 指标

SNR 在时频域展开为：

\[SNR = 10\log_{10} \frac{\sum_{k,l} |Y|^2}{\sum_{k,l}(|Y|^2 + |\hat{Y}|^2 + C)}\]

其中相关项 \(C = -2|Y||\hat{Y}|\cos(\theta - \hat{\theta})\)。改进经历两步：

  • OMPSNR：将 IP 替换为全方位相位导数，\(C = -\frac{2}{9}|Y||\hat{Y}|\sum_i \cos(\nabla_i\theta - \nabla_i\hat{\theta})\)
  • GOMPSNR：进一步将 \(\cos\) 替换为线性映射的反缠绕函数，使 \(C\) 始终非正，消除符号翻转引起的数值振荡：\(C = \frac{2}{9}|Y||\hat{Y}|\sum_i(\frac{1}{\pi}f_{AW}(\nabla_i\theta - \nabla_i\hat{\theta}) - 1)\)

3. 新损失函数族

基于相同的相位导数思想，提出三类新损失函数：

  • WOP Loss（幅度加权的全方位相位损失）：用幅度谱加权 OP loss，使高能量区域获得更多关注
  • OmniRI Loss：将传统 RI loss 中的 IP 替换为全方位相位导数，解耦相位和幅度的联合优化
  • CORI Loss（Coupled OmniRI）：将幅度距离与相位导数距离以乘积形式耦合，同时优化两者

4. 最优损失函数组合

在幅度损失（Log/Lin）、相位损失（WOP）和联合优化损失（CORI）三个维度搜索最优组合，最终推荐 Lin + WOP + CORI(L1) 的组合。

实验关键数据

指标验证：在 LibriTTS 上用官方预训练 Vocos 计算 PCC 和 SRCC： - SNR 与感知指标的相关性不超过 0.1，几乎无效 - GOMPSNR 与 PESQ、UTMOS、VQScore、NISQA、DistillMOS 均表现出较强相关性

Vocos 损失函数消融（LJSpeech）： - 原始配置：PESQ 3.749，UTMOS 4.128，GOMPSNR 4.299 - +WOP：PESQ 3.928（+0.18），GOMPSNR 5.232（+0.93） - +WOP+CORI(L1)：PESQ 4.001，MCD 2.238，GOMPSNR 5.674

跨声码器验证（LJSpeech，Lin+WOP+CORI 组合 vs 原始）： - Vocos：PESQ 3.749→4.035，GOMPSNR 4.299→5.749 - APNet2：PESQ 3.643→3.901，GOMPSNR 4.961→5.533 - RNDVoc：PESQ 4.033→4.121，GOMPSNR 5.655→5.822

Neural Audio Codec：WavTokenizer 和 Vocos codec 在各带宽下均获提升，低带宽（高压缩率）下提升更显著。

亮点与洞察

  • 问题分析深入：通过数学推导和可视化清晰定位 SNR 失效的根因在于相位距离度量，论证逻辑严密
  • 指标和损失函数双线推进：从同一核心洞见同时改进评估指标和训练损失，方法论统一且实用
  • 广泛实验覆盖：4 个声码器（Vocos、APNet、APNet2、RNDVoc）× 2 个数据集（LJSpeech、LibriTTS）+ Neural Audio Codec，验证充分
  • 即插即用：所提损失函数无需修改模型架构，可直接替换原始损失，工程友好

局限与展望

  • 实验仅限于声码器和音频编解码器，未验证在语音增强、语音分离等上游任务中的效果
  • GOMPSNR 依赖参考信号（侵入式指标），无法用于无参考场景
  • 全方位相位导数使用固定的 \(3 \times 3\) 卷积核，未探索更大感受野或可学习核的效果
  • 损失函数组合搜索仍依赖人工枚举，缺乏自动化搜索策略
  • 未与近年的非侵入式感知指标（如 DNSMOS、SpeechLMScore）做直接对比

相关工作与启发

方法 类型 相位处理 与感知指标相关性
SNR/SI-SNR 指标 隐式（瞬时相位） 极低（PCC/SRCC < 0.1）
OP Loss 损失函数 全方位相位导数 —
GOMPSNR 指标+损失 全方位相位导数+反缠绕+线性映射 显著提升
M-STFT 指标 幅度谱距离（忽略相位） 中等
PESQ/UTMOS 感知指标 基于听觉模型 作为参考标准

与同期工作 RNDVoc（IJCAI 2025）使用的 OP 表示高度相关，GOMPSNR 可视为其在指标层面的推广。

相关工作与启发

  • 相位距离度量的不可靠性可能也影响其他依赖时频表示的任务（如音乐生成、声音事件检测），值得迁移验证
  • WOP loss 中"用幅度加权相位损失"的思路可推广到其他多分量信号的联合优化场景
  • GOMPSNR 的设计思路（找到传统指标失效的数学根因→针对性修正）可借鉴到其他领域的指标改进

评分

  • 新颖性: 7/10 — 核心贡献在于将全方位相位导数引入 SNR 重构，思路朴素但有效
  • 实验充分度: 9/10 — 多声码器、多数据集、多指标的系统性验证
  • 写作质量: 8/10 — 数学推导清晰，问题动机阐述充分
  • 价值: 8/10 — 提供了可直接替代 SNR 的新指标和即插即用的损失函数，对音频生成社区有实际价值

相关论文