S3Bench

深度分析

AJPO 框架結合 ALLM 與 DPO 提升 Text-to-Audio 指令遵循能力

現有文字轉音訊模型雖音質優異，但常無法精準遵循多事件與時間順序指令。本研究提出 AJPO 框架，利用音訊感知大語言模型作為評判員，針對聲音事件完整度與時間順序提供細粒度回饋，並透過直接偏好最佳化提升模型表現。實驗結果顯示，該方法能有效改善生成音訊的事件完整性與時間正確性，並推出 S3Bench 基準測試以強化評估。