基于X-codec探究不同特征下的语音生成效果

摘要

为探究X-codec对大语言模型音频生成性能的影响，本研究基于LibriSpeech数据集分析语料特征(时长、音色)对基于X-codec的大语言模型(large language model, LLM)在音频生成任务中的表现。相似性目标(similarity objective, Sim-O)得分和全体平均意见得分(user test mean opinion score, UTMOS)指标测定结果表明：当语料时长超过10 s(即长语料)且音色为男声时，Sim-O得分和UTMOS在算术平均数上均显著高于相应特征分类中的其他组，同时在标准差上均显著低于相应特征分类中的其他组。因此，男声的长语料更有可能使应用了X-codec的LLM性能达到最佳状态。本研究结果可为优化音频编解码器设计提供理论支持。

关键词

X-codec / 大语言模型 / 相似性目标 / 全体平均意见得分