论文提出直播语音合成多维韵律评估模型
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对直播语音合成中情感、语调等细粒度韵律评估需求，研究团队提出了基于 Qwen3-Omni 蒸馏的 Live-ProsodyJudge（LPJ）模型。该模型在点准确率上超越单次 Gemini 调用，且成本更低。为解决多维度评估中的判决耦合问题，团队进一步推出了 Decoupled-Live-ProsodyJudge（D-LPJ），通过屏蔽不确定维度和引入 span-local GRPO 策略，实现了独立的多维度判断。在 Best-of-8 候选筛选中，LPJ 选中的语音有 85.29% 落入人类前三。
为什么值得看
低成本高精度的韵律评估模型，能显著提升直播 TTS 的表现力优化效率。
GeminiQwen微调蒸馏语音
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。