论文发现现有TTS自动评估器难以覆盖多维度语音感知错误。
资讯摘要
论文将语音“自然度”拆解为10个感知维度的标注框架，构建首个维度级TTS元评估基准，含860条由受训语言学家标注的语句。作者对4种MOS预测器和4种Audio-LLM评判器进行评测，发现MOS预测器对韵律和副语言层面的声学信号属性更敏感，Audio-LLM评判器则呈选择性、依赖提示词的检测，偏向词级错误，且无法泛化到所有维度。两类方法均不能可靠覆盖语言结构化的可感知语音错误。数据集、标注框架与评估代码已公开。
要点速读
- 论文构建首个维度级TTS元评估基准，含860条经语言学家标注的语句，覆盖10个感知维度。
- 评测4种MOS预测器与4种Audio-LLM评判器：前者更敏感于韵律和副语言声学属性，后者检测依赖提示词且偏向词级错误。
- 作者报告两类评估器均无法可靠覆盖多维度、语言结构化的可感知语音错误，并公开数据与代码。
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。