arXiv上的一篇新研究论文探讨了UTMOS、DNSMOS和SCOREQ等无参考语音质量指标在评估现代文本到语音(TTS)系统方面的有效性。研究发现,虽然这些指标可以识别可听见的缺陷,但在区分高质量音频中的听众偏好方面却难以可靠地进行区分。该研究提出了一个复合指标作为更稳健的评估方法,并指出使用单一分数奖励来优化TTS模型可能导致不良的“奖励破解”,即指标有所改善,但实际人类感知的质量却下降了。 AI
影响 强调了当前TTS自动化评估指标的局限性,表明需要更复杂的方法来确保感知的音频质量。
排序理由 评估文本到语音系统指标的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →