腾讯音乐：AIGC音频质量保卫战，从标准到工具的突围

腾讯音乐娱乐（TME）在AI大模型时代面临AIGC音频质量保障的巨大挑战，主要源于海量样本的涌现及传统评估维度的不足。为此，TME构建了一套全面的质量保障体系，通过重塑评测标准、结合主客观评测方法及开发定制化工具，以确保AI生成音频的质量与用户体验。

AIGC音频质量保障面临的挑战

• 海量样本来袭: AI生成音频导致样本量激增，从传统几十首到单批次上千首，给质量评估带来巨大压力。
• 评估维度缺失: 传统音频关注基础质量，而AIGC音频需要新的、多维度的评估体系，传统方法已不再适用。
• 算法迭代闭环: 算法持续迭代优化，需要建立有效的评估-优化闭环流程，以衡量和提升质量效率。

腾讯音乐娱乐的整体质量保障体系

• 构建思路: 从业务需求出发，重新制定评测标准，并结合主观评测实践与客观评测工具。
• 体系构成: 辅以定制化工具的算法迭代闭环，旨在构建一个包容性强、可复用度高的质量保障体系。
• 重点关注: 将重心放在评测标准的构建和客观评测工具的开发与落地。

AIGC音频评测标准与工具实践

• 评测标准体系: 通过动态样本库构建解决AIGC技术快速进化导致的检测滞后，依托多维度评测标准突破传统评估困境。
• 基础设施: 最终建立可量化、可追溯、可对抗的AIGC音频治理基础设施。
• 典型AI驱动工具: 开发了针对TTS（如AI角色互动、有声书）、TTM、SVC等类型AIGC音频的检测工具，覆盖80%业务场景。
• 天秤评测平台: 构建了对外盲测平台，收集众测数据以补充AI模型检测的局限性，确保专业结果。

核心AI音频处理架构与模型

• ERes2NetV2架构: 针对歌声数据音高跨度大、谐波复杂度高等特性，通过多尺度特征融合（层级式膨胀卷积组、跨层级特征聚合与门控注意力机制）和歌声数据适配（将原始80维Mel频谱扩展至96维）来捕捉频谱细节与全局语义。
• AI评价模型: 针对AI生成音频质量评价，采用CNN编码器（强化音高轮廓捕捉、新增谐波增强模块）、Transformer编码器（12层，时序建模、多尺度窗口注意力）和MLP决策头进行四维分数计算。