论文提出直播语音合成多维韵律评估模型
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。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载直播语音合成评估的难点
直播场景下的语音合成需要呈现情感、语调、能量等细腻且富有表现力的韵律特征，而传统的 MOS 预测器难以覆盖这些维度。论文指出，评估这类合成语音时，仅靠单一的整体打分无法反映各维度的差异。Gemini 等专有大型语言模型具备评估这些方面的能力，但用于大规模推理和强化学习反馈时成本过高。作者由此提出 Live-ProsodyJudge（LPJ），通过蒸馏方式把 Gemini 的成对评估能力迁移到 Qwen3-Omni 上，得到一个成本更低的评估器。这一做法的出发点是把昂贵模型的判断力压缩到可批量调用的模型中，使细粒度韵律评估能够支撑大规模推理与训练反馈。
维度判定被整体偏好裹挟
作者在标准多维评估中发现了一个关键缺陷，称为 verdict coupling。评估器倾向于偷懒，把各个单独维度的分数都对齐到自己的整体偏好上，于是原本丰富的多维评分体系塌缩成一个偏好比特。这意味着即使评测表上列出多个维度，输出结果也可能只是整体好恶的重复投影，维度之间失去独立性。对于需要区分情感、语调、能量等不同侧面的直播语音合成评估来说，这种耦合会让多维设计形同虚设。作者把这一问题作为改进的起点，而不是停留在对 LPJ 的初步验证上。
解耦评估器的三项改动
针对上述缺陷，作者进一步提出 Decoupled-Live-ProsodyJudge（D-LPJ）。具体做法包含三处：去掉整体判定目标，避免模型盲目跟随总偏好；在监督微调（SFT）阶段对不确定的成对维度进行掩码处理；引入一种名为 span-local GRPO 的策略，把归一化后的优势值严格施加到对应的理由片段上。这三项改动分别作用于目标设定、训练数据筛选和强化学习信号分配，目的是让各维度判断不再被整体结论牵引。与 LPJ 相比，D-LPJ 的重点不在于降低调用成本，而在于恢复维度之间的独立性，使输出能够呈现彼此分离的判定结果。
测试表现与适用边界
在精心构建的人工标注测试集上，10 样本、平衡顺序的 LPJ 在点位准确率上高于单次 Gemini 调用；D-LPJ 则能够给出独立、解耦的维度判断。在 Best-of-8 的 TTS 候选挑选锦标赛中，LPJ 选出的语句在高置信度情形下有 85.29% 落入人类前三名。这些结果说明该评估器可用于细粒度的 TTS 偏好优化。需要留意的是，上述数字来自特定测试集与候选挑选设置，材料未给出跨场景的泛化结论；LPJ 的定位是替代高成本专有模型承担大规模推理与强化学习反馈，而非在所有评估任务上取代人工标注。
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。
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。