arXiv cs.CL· Kirill Borodin, Vasilii Kudryavtsev, Nikita Vasiliev, Grach Mkrtchian·· 12 小时前AI 评分31
研究：TTS 评测中 ASR 识别器自身错误占比几何
Measuring the Verifier's Floor: How Much Apparent Rare-Word Text-to-Speech Error Is ASR Error?
AI 导读
研究测量了用 ASR 转写评估 TTS 时识别器自身的错误：在 LibriSpeech 和 FLEURS 上，评估用识别器即使面对人类录音也漏掉 33-67% 的极罕见词，三个识别器均漏掉 22-42%。
正文 · AI 翻译
摘要：文本转语音（TTS）通常通过用自动语音识别（ASR）系统转写其输出来评估，因此词错误率也会计入识别器的错误。我们在测试句子的人类录音上测量这些错误。在 LibriSpeech 和 FLEURS 上，评估识别器即使在人类语音中也会漏掉 33-67% 的极罕见词，而全部三个识别器会漏掉 22-42%。用另外两个识别器家族检查每个词，可将至少有一个识别器能听到的词上的表观 TTS 错误降低两到三倍（LibriSpeech 极罕见词：从 10-13% 降至 3-5%），但极罕见词仍然是最难的。忽略识别器在人类语音中漏掉的词是有偏的：其他识别器在这些词上发现 TTS 错误的频率要高得多（4-6% 对 0.2-0.3%），并推翻了该掩码保留的约一半错误。由于剩余裁定错误中有一半可能是拼写变体，因此需要进行听力测试。
| 评论： | 提交至 IEEE ICASSP 2027 |
| 主题： | 声音（cs.SD）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.31470 [cs.SD] |
| （或此版本的 arXiv:2610.31470v1 [cs.SD]） | |
| https://doi.org/10.48550/arXiv.2610.31470 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Kirill Borodin [查看电子邮件]
[v1]
2026年10月22日星期四 15:59:54 UTC（35 KB）
来源：arXiv cs.CL · arxiv.org