定義
SI-SDRとは、音源分離モデルの出力音声が原音にどれだけ近いかを、音量スケールの違いを正規化した上でdB単位のSN比として測る評価指標のこと。
SI-SDR (音源分離の評価指標)とは（詳しく解説）
SI-SDR (Scale-Invariant Signal-to-Distortion Ratio) は、分離音源と正解音源の誤差を音量スケールの違いに影響されない形でdB単位のSN比として算出する評価指標で、音楽のボーカル/伴奏分離や音声の話者分離モデルの精度比較に広く採用されている。従来のSDRよりゲイン(振幅)差に頑健なため、学習時の損失関数としても使われることが多い。ただし2026年時点の実運用では、SI-SDRの数値が高くても人間の聴感上の自然さと一致しないケースがあるとされ、残響やノイズが強い環境では指標の信頼性が落ちる点が落とし穴として挙げられる。現場でモデルを選ぶ際は、SI-SDR単体ではなくPESQやSTOIといった聴感寄りの指標と併用し、実際の音源で試聴確認するのが定石とされる。評価バッチをクラウドGPUで回すコスト感自体は小さいが、大量サンプルで継続評価を回す運用を組む場合は計算リソースの相場感を踏まえて設計するのが望ましいとされる。
SI-SDR (音源分離の評価指標)の使用例
- 分離モデルAとBのSI-SDRを比較し、どちらのボーカル抽出精度が高いか判定して
- 学習済み音源分離モデルの評価にSI-SDRとPESQを併用したレポートを作成して
