自动文本到语音（ 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 ）法官）有望反映人类的感知，但目前尚不清楚它们在多大程度上捕捉了听众实际感知的语音的不同方面。我们将“自然性”解构成一个基于语言学的注释架构，跨越10个不同的感知一角钱

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2608.09930v1)获取最准确的信息。

---
🔗 **原文链接**: [Beyond Naturalness: Probing Automated Text-To-Speech Evaluat](https://arxiv.org/abs/2608.09930v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Oluwanifemi Bamgbose, Simon Rosen, Jash Shah, Lindsay Devon Brin, Hoang H Nguyen, Anke Koelzer, Rachel Hansen, Tara Bogavelli, Fanny Riols

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。
多模态正在逼近实用门槛。如果你想做产品级落地，这篇文章值得读。
Benchmark看多了容易麻木——跑分好不一定产品好用。这篇文章好在对分差有分析，不只是贴数据。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-08-11 14:01