MS-CLAP

研究发现，联合语言-音频模型部分捕捉音色语义

研究人员调查了联合语言-音频嵌入模型在多大程度上捕捉人类对音色的感知。该研究评估了 MS-CLAP、LAION-CLAP、MuQ-MuLan 和 OpenFLAM 等模型，发现 LAION-CLAP 在乐器声音和音频效果的感知音色语义方面表现出最强的匹配度。然而，整体匹配度仍然有限，表明当前模型仅部分编码了这些感知质量。研究还指出，混响引起的音色变化比均衡引起的音色变化更一致地被编码。