Evaluating Dynamic Range Compressor Models Using Control-Voltage Measurements: an Approach and Dataset

Technische Samenvatting: Evaluatie van Dynamic Range Compressor Modellen middels Control-Voltage Metingen

Probleemstelling
Het primaire gedrag van een dynamic range compressor (DRC) wordt bepaald door het tijdsvariërende versterkingssignaal ($g_{dB}[k]$) dat op een audiosignaal wordt toegepast. Echter, in bestaande datasets voor DRC-modellering is dit versterkingssignaal niet direct observeerbaar; er worden enkel audio input-output paren verstrekt. Het isoleren van $g_{dB}[k]$ uit audiodata vormt een slecht gestel theoretisch probleem (ill-conditioned inverse problem), dat wordt bemoeilijkt door secundaire effecten die inherent zijn aan analoge hardware en opnameketens, zoals faseverschuivingen, afwijkingen in de amplitude-respons en ruis. Bijgevolg berust de evaluatie van huidige modellen op "proxy-metrieken" die berekend worden over de output-golfvormen (bijv. Mean Absolute Error of Multi-Resolution Short-Time Energy). De auteurs stellen dat deze proxy-metrieken gevoelig zijn voor dezelfde secundaire effecten die het versterkingssignaal vertroebelen, wat kan leiden tot misleidende evaluaties waarbij modellen worden gestraft of beloond voor het nabootsen van onhoorbare artefacten in plaats van het kernverloop van de gain-reductie.

Methodologie
Om deze beperkingen aan te pakken, stellen de auteurs een directe evaluatiemethode voor met behulp van control-voltage (CV) metingen. De kernmethodologie omvat:

1. Directe Meting: Het vastleggen van het gain-reductie control-voltage signaal dat door de hardware wordt gegenereerd, samen met de audio input en output. Dit CV-signaal wordt geschaald om de exacte gain-reductie in decibels ($g_{dB}[k]$) te representeren, waardoor de noodzaak voor het oplossen van een invers probleem wordt omzeild.
2. Experimentele Vergelijking: De auteurs trainden een gray-box dynamica model (een aangepaste versie van torchcomp) met behulp van drie verschillende loss-regimes:
   • Directe loss op het versterkingssignaal: $L_1(g_{dB}, \hat{g}_{dB})$.
   • Proxy loss op verwerkte golfvormen: $L_1(y, \hat{y})$.
   • Proxy loss op verwerkte golfvormen met behulp van Multi-Resolution Short-Time Energy: $MSTE(y, \hat{y})$.
3. Evaluatie: Tien onafhankelijke modellen werden getraind voor elk regime met identieke optimalisatie-instellingen en een enkele 30-seconden stereo excerpt. De modellen werden vervolgens geëvalueerd tegen de grondwaarheid (ground-truth) gain-traject en de proxy-metrieken om te bepalen of het minimaliseren van proxy losses effectief het onderliggende controleverloop herstelt.

Belangrijkste Bijdragen

• Methodologische Aanpak: Het artikel introduceert en valideert een methode voor het evalueren van DRC-modellen door het gain-reductie signaal direct te meten tegen het hardware control-voltage, in plaats van het af te leiden uit audio-golfvormen.
• Dataset Release: De auteurs presenteren een nieuwe dataset met een Solid State Logic (SSL) Logic FX G384 bus compressor. Deze bevat 219 stereo muziekclips en kalibratiesignalen die zijn verwerkt over 90 controle-permutaties. Cruciaal is dat elk audio input-output paar wordt vergezeld door het corresponderende gain control voltage signaal ($g_{dB}[k]$), gesampled op 44,1 kHz met 32-bit resolutie.
• Empirisch Bewijs: De studie levert empirische gegevens die aantonen dat proxy-metrieken (waveform-gebaseerde $L_1$ en MSTE) er niet in slagen om onderscheid te maken tussen modellen die significant verschillende gain-reductie nauwkeurigheden hebben.

Resultaten
De experimentele resultaten wijzen uit dat:

• Modellen getraind met proxy losses ($L_1(y, \hat{y})$ en $MSTE(y, \hat{y})$) geen gelijkwaardigheid bereikten met modellen die direct op het gain control signaal zijn getraind wanneer ze werden geëvalueerd tegen het grondwaarheid controle-traject.
• De spreiding van fouten onder modellen getraind met proxy losses aanzienlijk kleiner was (2,8% voor $L_1$ en 13,3% voor MSTE) vergeleken met de spreiding geobserveerd bij het gebruik van de directe gain-reductie metriek (85,9%).
• Waveform-domein metrieken vergelijkbare foutwaarden toekenenden aan modellen die duidelijk gescheiden waren door de directe metriek, wat suggereert dat proxy-objectieven de saliente verschillen in processorgedrag kunnen verhullen.
• De directe metriek onthulde dat het minimaliseren van proxy losses niet gelijkstaat aan het minimaliseren van de fout in het gain-traject.

Significantie
Het artikel stelt dat de inclusie van het control-voltage signaal in de voorgestelde dataset de directe supervisie van het gain-reductie gedrag mogelijk maakt, wat de primaire grootheid van belang is in DRC-modellering. Door de mogelijkheid te bieden om te evalueren tegen een grondwaarheid fout gedefinieerd op het gain-traject, stelt dit werk onderzoekers in staat om:

1. Modellen te trainen met loss-functies gedefinieerd op het werkelijke objectief, waardoor de noodzaak voor potentieel gebrekkige proxy-metrieken wordt geëlimineerd.
2. Bestaande proxy-metrieken rigoureus te evalueren om hun beperkingen en faalmodi te begrijpen.
3. Specifieke hardware-gedragingen (zoals de programma-afhankelijke release en de gekromde statische respons van de SSL) te onderzoeken die generieke modellen mogelijk niet kunnen vatten.

De auteurs concluderen dat hoewel proxy-metrieken kunnen correleren met de onderliggende grootheid van belang, zij niet functioneel gelijkwaardige surrogaten zijn voor gain-reductie fouten, en dat directe meting van het control-signaal een meer interpreteerbare en nauwkeurige basis biedt voor de evaluatie van DRC-modellen.