כתבה
arXiv cs.AI ·
CAL-MOS: גישור שכבות עם אדפטרים
CAL-MOS: Bridging Layers with Adapters for Robust MOS Prediction Across Speech Foundation Models
CAL-MOS היא שיטה לחיזוי MOS (Mean Opinion Score) עבור מודלים של דיבור. היא משתמשת באדפטרים כדי לגשר בין שכבות שונות במודל. השיטה משפרת את היציבות של חיזוי ה-MOS ומצמצמת את הפער לעומת עדכון מלא של המודל.
תקציר מקורי באנגליתarXiv:2609.14956v1 Announce Type: cross Abstract: Speech Quality Assessment (SQA) is essential for modern speech technologies, and recent non-intrusive SQA predictors increasingly rely on Speech Foundation Models (SFMs). However, because SFMs expose representations from many layers, it remains unclear which depths are most informative for MOS prediction and how multi-layer information should be combined reliably across backbones and datasets. We benchmark ten SFMs on four MOS datasets under three regimes: full fine-tuning, last-layer probing with a frozen encoder, and naive cross-layer weighted aggregation. We find that the best layer is strongly backbone- and dataset-dependent, and that naive weighted fusion can be unstable across settings. We further evaluate a layer-calibrated aggregati
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית