TTS评估中的识别器误差下限

ASR识别器误差会抬高罕见词TTS错误率的表观数值

资讯摘要

论文指出，TTS常用ASR转写结果计算词错误率，但其中混入了识别器自身误差。作者在LibriSpeech和FLEURS的人类录音上测量该误差：评估用识别器对极罕见词的漏识率为33-67%，三个识别器合计漏识22-42%。用另外两个识别器家族复核后，至少被一个识别器听到的词上表观TTS错误下降两到三倍（LibriSpeech极罕见词从10-13%降至3-5%），但极罕见词仍最难。作者报告，忽略识别器在人类语音中漏掉的词会带来偏差，剩余判定错误中约一半可能是拼写变体，需听测确认。

要点速读

1. 在人类录音上，评估识别器对极罕见词的漏识率为33-67%，三个识别器合计为22-42%
2. 用两个额外识别器家族复核后，极罕见LibriSpeech词的表观TTS错误从10-13%降至3-5%
3. 忽略识别器漏识词存在偏差：其他识别器在这些词上发现TTS错误的比例为4-6%，而掩码内仅0.2-0.3%

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。