面向制作的 SFX 生成评估框架

工业声音设计要求音频生成系统不仅能产生逼真的音频，还能保留参考的感知特性、支持可控变化，并保持实际工作流程的效率。现有的评估通常与文本转音频 (TTA)、无条件或特定于任务的设置相关联，限制了对参考引导音效 (SFX) 变化的评估。为了解决这一差距，我们提出了一个面向生产的评估框架，用于异构音频生成和编辑方法的结构化比较。我们的框架确定了九项生产要求，并明确考虑了模型功能的差异，从而能够在共同的生产目标下进行比较。引入了两阶段协议：(1) 参考引导的音频到音频 (ATA) 变化任务，其中所有方法都在相同的 ESC-50 SFX 适应设置下进行评估，以及 (2) 对本机操作（如 SFX 变形、时间和能量对齐、修复和目标编辑）进行特定于功能的分析。该框架结合了客观指标（包括 FAD、基于 ImageBind 的参考对齐和生成变体的多样性）以及对感知身份保存和瞬时诊断的人类研究。我们的研究揭示了针对不同生产需求的跨基线的互补优势和权衡。在共享 ATA 设置下评估的全代基准中，AudioX 在参考对齐和多样性之间提供了最强的整体权衡，同时仍然支持 SFX 变形。其他基线仍然最适合特定的编辑操作。我们的框架为参考引导的 SFX 变化建立了结构化评估和决策协议，并为设计未来统一工业音频生成管道提供了实用基础。音频演示位于随附的网页上。