如何衡量 MelGan 生成的合成音频的质量

Question

我使用 melgan 作为我的声码器来将梅尔频谱图恢复为波形。我想使用 pesq、mcd 或类似的指标来测量 melgan 生成的波形的质量。

这里是问题所在，我注意到 melgan 生成的一些波形与原始波形（在提取 mel-spectrogram 阶段之前的确切波形）有不同的长度。这让我无法计算原始波形和生成波形之间的 pesq。 （pesq 要求两个输入波形长度相同）

我有两个问题。

1. 是否有更好的方法来衡量 melgan 生成的合成波形的质量？
2. 带有 DTW（动态时间扭曲）的 f0 RMSE 是否有助于解决这种情况？ DTW 对齐原始波形和生成的波形，然后计算 f0 RMSE 作为生成波形质量的度量。