大模型语音对话时代的TTS评测实践.pdf

01背景介绍

目02评测实践

C

O

N

T

E03AI赋能TTS评测

N

录T

S

04未来展望

01背景介绍

TTS技术概述

TTS（Text-to-Speech，文本到语音）技术，即计算机系统将文本（如文字，数字，数学符号等）转

换为听起来如同人类口语的语音。

文文本预处理文本分析声学模型声码器语

本规范化语义理解声学特征预测音频合成音

错误矫正音素转换声学参数生成

TTS：让文字通过你的耳朵说话

将书籍和文章转换为音频，智能语⾳助⼿通过TTS技术导航系统通过TTS提供清晰、

让用户随时随地享受阅读。与用户进行自然对话。准确的驾驶指示。

大模型：重塑TTS技术

•文本预处理：Transformer架构提升对复杂文本结构

和语意的理解，确保精确的语言预测。

•文本分析：大模型通过学习大量语料库，提高音素和

韵律的映射质量，丰富TTS的表达能力。

•声学模型：模型细致学习声音特性，捕获情感和风格，

自然度：更拟人

创造自然流畅的语音输出。

个性化：私人订制

•声码器：大模型的精度和处理能力允许TTS系统以更细

情感表达：沉浸体验腻的粒度（如音高、节奏和强度等）控制音频的产出。

跨语种：无缝沟通

02评测实践

传统TTS评测局限性

传统方案指标局限

•整体MOS指标，概括性强但精度不足，细分层面的问题，无法提供具

•主观质量：整体MOS体指向性的反馈

TTS评测方案

•客观质量：ASR识别率•ASR识别率，只能量化语音可懂度，对自然度、流畅性和情感表达等听

觉体验，无能为力

•音频参数：声道、采样率、码率、•音频参数，关键于评估已录音频和通信质量

音频评测方案频响、信噪比、失真…•语音质量评估，关注的是自然界的声音在传输、转码、算法处理后的

•语音质量：PESQ、STOI、POLQA信号保真度

面向未来的TTS技术评估，必须跳出传