arXiv cs.CL· Oluwanifemi Bamgbose, Jash Shah, Simon Rosen, Lindsay Devon Brin, Hoang H Nguyen, Anke Koelzer, Rachel Hansen, Tara Bogavelli, Fanny Riols·· 12 小时前AI 评分29
研究：MOS 预测器与 Audio-LLM 评判器均无法全面捕捉 TTS 语音的多维感知错误
Beyond Naturalness: Probing Automated Text-To-Speech Evaluators on Linguistically Grounded Dimensions
AI 导读
研究将 TTS 的“自然度”拆解为 10 个语言学感知维度，构建首个维度级 TTS 元评测基准，含 860 条由语言学家标注的语音。对 4 个 MOS 预测器和 4 个 Audio-LLM 评判器的评测显示，MOS 预测器更敏感于韵律和副语言层面的声学信号特征，Audio-LLM 评判器则依赖提示词、偏向词级错误且无法泛化到所有维度。
正文 · AI 翻译
摘要：自动化文本转语音（TTS）评估方法（平均意见得分（MOS）预测器和音频大语言模型（Audio-LLM）评判器）本应反映人类感知，但它们能在多大程度上捕捉到听者实际感知到的语音的不同方面，目前尚不清楚。我们将“自然度”解构为一个基于语言学的标注模式，涵盖 10 个不同的感知维度，并用它构建了首个 TTS 维度级元评估基准，包含由受过训练的语言学评分者标注的 860 条语音。对四个 MOS 预测器和四个 Audio-LLM 评判器进行基准测试的结果表明，MOS 预测器对韵律和副语言层面的声学信号级属性更为敏感，而 Audio-LLM 评判器则表现出选择性的、依赖提示词的检测能力，偏向于词级错误，且无法泛化到所有维度。这两类方法都无法可靠地捕捉到广泛存在的、具有语言学结构且人类可感知的语音错误。我们的数据集、标注模式和评估代码已公开发布，以支持更有针对性和可解释性的 TTS 评估。
| 评论： | 已被 EMNLP 2026（主会议）接收 |
| 主题： | 声音（cs.SD）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2608.09930 [cs.SD] |
| （或 arXiv:2608.09930v2 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.09930 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Hoang Nguyen [查看电子邮件]
[v1]
2026年8月10日星期一 17:59:51 UTC（1,615 KB）
[v2]
2026年10月22日星期四 17:31:03 UTC（251 KB）
来源：arXiv cs.CL · arxiv.org