arXiv · NLP· Oluwanifemi Bamgbose, Jash Shah, Simon Rosen, Lindsay Devon Brin, Hoang H Nguyen, Anke Koelzer, Rachel Hansen, Tara Bogavelli, Fanny Riols·· 4 小时前AI 评分20
基于语言学维度的TTS自动评估基准揭示MOS预测器与Audio-LLM裁判的局限性
Beyond Naturalness: Probing Automated Text-To-Speech Evaluators on Linguistically Grounded Dimensions
AI 导读
研究将语音自然度解构为10个语言学感知维度，构建首个包含860条语音片段的TTS元评估基准。实验显示，MOS预测器更敏感于韵律和副语言声学属性，Audio-LLM裁判则呈现依赖提示词的选择性检测，偏好识别词级错误。两类模型均无法可靠捕捉广泛的语言结构语音错误，相关数据集与评估代码已公开。
来源：arXiv · NLP · arxiv.org