英文题目：Comprehensive Benchmarking of Long-Form Speech Generation in Diverse Scenarios
会议身份：
conference:acl:2026:conference-paper-id:2026.findings-acl.112
✅ 来源为官方会议 PDF；可重放的表格、公式文本与 Figure 像素已按 PDF 抽取结果绑定，未成功恢复的结构不作推断。
标签：#基准测试 #基准设计 #长音频处理 #语音 #文本到语音
评分：7.2/10 | 创新 1.5/2 | 技术严谨 1.0/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1.2/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5
排名：前50% | 文档类型：数据集与基准
👥 作者与机构
- Changhao Pan：机构信息未能从会议 PDF 纯文本可靠映射
- Rui Yang：机构信息未能从会议 PDF 纯文本可靠映射
- Han Wang：机构信息未能从会议 PDF 纯文本可靠映射
- Zhuan Zhou：机构信息未能从会议 PDF 纯文本可靠映射
- Xuming He：机构信息未能从会议 PDF 纯文本可靠映射
- Wenxiang Guo：机构信息未能从会议 PDF 纯文本可靠映射
- Ziyue Jiang：机构信息未能从会议 PDF 纯文本可靠映射
- Ruiqi Li：机构信息未能从会议 PDF 纯文本可靠映射
- Yu Zhang：机构信息未能从会议 PDF 纯文本可靠映射
- Chenyuhao Wen：机构信息未能从会议 PDF 纯文本可靠映射
- Ke Lei：机构信息未能从会议 PDF 纯文本可靠映射
- Xiang Yin：机构信息未能从会议 PDF 纯文本可靠映射
- Jingyu Lu：机构信息未能从会议 PDF 纯文本可靠映射
- Zhiyuan Zhu：机构信息未能从会议 PDF 纯文本可靠映射
- Zhou Zhao：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
长文本语音生成以数百词文本为输入，需输出分钟级单人讲述与1-4人多说话人对话，实际难点在于长时音色漂移与混响跳变、漏词重复幻觉及韵律断裂与情感扁平无法被短句词错率捕捉。该工作先围绕声学语义表达力三类挑战构建17个下游场景共1101个样本的测试集，经在线语料与音视频转写及大模型生成混合采集，再经去重与质量隐私过滤及人工校对形成长文本输入。接着将长语音质量解耦为音色一致性、混响一致性、声音保真度、内容准确率、韵律连贯性、表达丰富度与层次感七维自动协议，分别以滑动窗嵌入、SRMR方差、SQUIM、ASR转写与大模型打分实现量化。然后以人评偏好与平均意见分验证协议可靠性并选定Gemini3-Pro为表达力评估器，使自动分进入跨模型对比。在对话生成基准下，真实对话的混响一致性得分为2.73，低于闭源模型平均的3.36。相对仅关注保真与准确的短语音基准，该机制以一致性与层次动力学刻画时序稳定性，具有定位长程退化的实际意义。该结论适用边界限于中英文分钟级朗读与播客式对话，尚未验证低资源语言方言与小时级有声书外推。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
- 第三方资源：https://pypi.org/project/clean-text — 链接可访问（HTTP 200）
- 第三方资源：https://github.com/m-bain/whisperX — 链接可访问（HTTP 200）
- 第三方资源：https://github.com/jfsantos/SRMRpy — 链接可访问（HTTP 200）
- 第三方资源：https://github.com/snakers4/silero-vad — 链接可访问（HTTP 200）
- 第三方资源：https://github.com/FunAudioLLM/Fun-ASR → https://github.com/QwenAudio/Fun-ASR — 链接可访问（HTTP 200） 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么，要解决什么，输出是什么？
这篇解读的输入是会议论文的正文证据与官方原图像素，目标是让刚进入语音合成的研究生能复述 SwanBench-Speech 的构造与评测流程。必须保留的信息包括 1101 个样本与 17 个场景的划分依据、7 个解耦指标的计算动作、人类一致性验证的数值，以及 20 多个模型评测中发现的混响与表现力短板。输出是一套可核对的学习笔记，不做超出证据的效果承诺。
任务是长语音生成与对话生成的系统评测。输入是一个长文本脚本，可能附带说话人标签与参考音色，输出是一段分钟级的连续语音。对初学者来说，白话理解是短句读对只是起点，长篇还需要人物不换脸、房间不换景、语气有起伏。论文把这种直觉拆成 3 个挑战。声学挑战（Acoustics）问声音与环境是否稳定，语义挑战（Semantics）问内容是否准确流畅，表现力挑战（Expressiveness）问听感是否投入且有层次。
已有做法的缺口很具体。句子级词错率已经饱和，且在长文本下与人的感知相关性弱。人工听音是金标准但贵且不可扩展。大模型做评委多给粗粒度的偏好判断，容易漏掉一致性。测试集一侧也偏窄，多为单说话人或单一领域，缺少多人交互与高表现力场景。因此论文选择做基准而非新模型，用更宽的场景覆盖与更细的自动指标来暴露长程依赖问题。
同输入同目标的已有路线差在哪里？
长语音合成路线按论文梳理有 3 条。第一条保韵律连贯，用联合风格建模与跨句记忆。第二条提长序列效率，用多分辨率量化、低帧率词元或状态空间模型降内存。第 3 条管说话人切换，早期混用自回归与非自回归，近期分别向流匹配与说话人词元演进。这些工作输入相同，都是长文本到长语音，但优化目标多是建模本身，缺少能量化段落级韵律与转场质量的测试用例。
评测路线分 4 类客观指标。基于信号的指标、平均意见分预测网络、分布距离指标与准确率指标，在近期系统上已趋饱和。后续基准用更难文本或可控性加压，但仍是句子级。分钟级测试集如 MinutesSpeech 与 LibriSpeech-Long 只覆盖窄场景，对话基准也有类似问题。主观评测不扩展且流程不统一。SwanBench-Speech 的有源对照点是同时覆盖单人长语音与对话生成、给出 17 场景与 7 个自动指标，并报告与人的相关性，这是与上述路线在运行阶段上的直接差异。
教学例子是把有声书段落直接拼成 10 分钟来测，只能看到拼接痕迹，看不到高表现力直播或辩论中的动态控制。本文基准的差别在于按挑战选场景，再按场景定指标，避免用单一 fidelity 分数掩盖层次缺失。
为什么长文本评测不能沿用短句指标？
问题可分三问。第一问是如何在语音中维持声学一致。单人要音色不漂移，多人要切换准确且同处一个声场。频繁换人与复杂录音条件会打破混响统一，这是短句评测不会施压的部分。第二问是如何连贯传达准确内容。
长序列易漏词重复幻觉，复杂句法与领域术语还会让停顿与重音错位，读对字不等于节奏对。第三问是如何生成有动态的投入感。持续高能量与情绪弧线不同，前者是平均强度，后者是随叙事推进的变化，短句平均分无法捕捉后者。
因此方法选择是分层解耦。声学侧看音色一致性、混响一致性与声音保真度。语义侧看内容准确率与韵律连贯性。表现力侧看表现丰富度与表现层次性。每 1 维都有独立计算与独立的人类对齐验证，避免一个总分互相抵消。后文按一个样本走完全流程，再展开每个指标的实现细节。
基准全景：一个样本如何走完输入到分数？
先看整体安排再看细节有助于建立学习依赖。拿一个播客对话样本为例，输入是带说话人标签的长文本与参考音色，输出是模型生成的分钟级波形。基准先按场景把它归入声学挑战，再把波形送入 7 个指标分支。声学分支做滑动窗特征提取，语义分支做语音识别转写与大模型韵律打分，表现力分支做分段打分与整段打分。每个分支只回答自己的问题，最后汇总成雷达图上的多维画像。
下图是理解这种分工的最佳入口，左侧是场景环，中间是 3 组指标的计算示意，右侧是模型与真实录音的多维对比，显示短板集中在混响、韵律与表现力。
看图路径： 1. 先看左侧环形图的三大色块与 17 个场景标签如何归入声学语义表现力；2. 再看中间三块指标面板确认声学语义表现力各自分出哪些子指标；3. 最后看右侧雷达图对比真实音频与模型在混响与表现力轴上的开口
论文图 1。原论文 Figure 1：“Overview of SwanBench-Speech. We propose SwanBench-Speech, a comprehensive benchmark de- signed to evaluate the performance of long-form speech generation models.”。
从像素看，左侧环形明确把客服、播客、聊天、辩论、有声书、访谈归入声学，把课程、科普、演讲、研讨、新闻归入语义，把戏剧、脱口秀、主持、演讲、直播、体育解说归入表现力。中间面板显示声学用波形分窗提取特征，语义同时走词错率与韵律打分，表现力区分 10 秒段平均与整段层次。右侧雷达显示真实音频在表现力与韵律轴上包住多数模型，而部分模型在保真度轴上反超真实录音，这提示保真度高不等于整体自然。这种先分场景再分指标的安排，理由是让失败可归因，而不是只给一个好坏排序。
七个指标各自算什么，如何实现？
音色一致性（Timbre Consistency）白话是同一个人听起来是否始终是同一个人。英文名首次出现后后文简称音色一致性。单人做法是对波形加滑动窗口，每窗用 WavLM TDCNN 提说话人嵌入，得到序列后算所有不同窗两两余弦相似的均值。对话做法先用强制对齐拿到每人片段并拼成每人专属音频流，再对每人按单人流程算分，最后在说话人之间平均。对话前还用说话人日志确认至少发生 1 次有效轮转，以排除没有切换的无效样本。
混响一致性（Reverb Consistency）白话是房间感是否稳定，后文简称混响一致性。做法是对每窗算语音混响调制能量比 SRMR，再取有效窗序列的标准差，越小越稳定。实现上有两个配套动作。窗口取 3 秒窗长 2 秒步长，与音色分支保持一致以平衡估计可靠与时间分辨率。先用语音活动检测剔除静音超六成的窗，避免静音拉偏方差。论文明确假设单段长语音声场应稳定，并承认户外直播等需要声场变化的场景是例外，此时高方差会被当作惩罚，这是该指标的适用边界。
音色一致性 × 混响一致性： 音色一致性负责回答谁在说话且是否中途漂移，用说话人嵌入两两余弦相似的均值度量；混响一致性负责回答录制环境是否稳定，用每窗混响分数序列的标准差度量。二者搭配的原因是长语音沉浸感需要身份稳定与声场稳定同时成立，组合后能把换人错误与环境漂移分开归因。
声音保真度（Sound Fidelity）白话是音质是否干净清晰，后文简称保真度。做法是直接用 SQUIM-PESQ 做无参考评估，分数范围约为负 0.5 到 4.5，语音通常高于 1.0。内容准确率（Content Accuracy）白话是是否读对字，后文简称内容准确率。做法是用 FunASR-Nano 转写，再做标点去除、空白归一与繁简转换等归一化，中文算字错率，英文算词错率。论文选用在干净集上表现强的识别模型，目的是减少转写误差对内容判断的污染。
韵律连贯性（Prosodic Coherence）白话是停顿重音语速是否顺，后文简称韵律连贯性。做法是用微调自 Qwen2.5-Omni 的 SpeechJudge，按韵律连贯与流畅、节奏层次与分层、整体自然度 3 维打分，量程 1 到 5 分，每段音频独立评 10 次取均值以压低大模型方差。表现丰富度与表现层次性见下段概念桥。丰富度把波形切成不重叠 10 秒块逐块打分再平均，层次性把整段 1 次送入大模型评估情绪弧线、动态与场景适配。
内容准确率 × 韵律连贯性： 内容准确率负责字词是否读对，用自动语音识别转写后算字错率或词错率；韵律连贯性负责停顿、重音与语速是否符合语义逻辑，用大模型打分。搭配理由是读对不等于读得自然，组合后可区分对齐鲁棒性问题与理解式韵律建模问题。
表现丰富度 × 表现层次性： 表现丰富度负责平均情绪冲击力，把长音频切成 10 秒段分别打分再平均；表现层次性负责段落级起伏与叙事弧线，对整段 1 次性打分。二者分工是局部感染力与全局动态，搭配才能发现单句生动但全篇平铺直叙的失败。
滑动窗口 × 语音活动检测： 滑动窗口负责把分钟级音频切成可比的短窗以观察时间漂移；语音活动检测负责剔除静音占比过高的窗以免噪声污染统计。二者搭配使混响与音色的时间方差只在有效语音上计算，提高了一致性度量的可解释性。
人类偏好分数的聚合方式是多人打分的简单平均，是理解韵律验证公式的前提。
\[Spref(A, B) = 1\]该式中 A 与 B 是同一文本由不同模型生成的配对音频，si 是第 i 位评分人在负 2 到 2 量表上的偏好分，N 是人数，输出是该对音频的人类偏好均值，再与指标差值算等级相关。
多人音色分数的聚合是先分人后平均，避免长对话中某人权重过大。
\[Scoremulti = 1\]该式中 K 是说话人数，ak 是第 k 人专属流的单人一致性均值，输出是跨说话人的平均一致性。
丰富度分数的聚合是分段平均，目的是隔离跨块不一致对局部表现力的干扰。
\[Scorerich = 1\]该式中 M 是 10 秒块数，si 是每块的表现分，输出是整段的平均感染力，与层次性整段打分形成互补。
没有训练新模型时，构造与调用流程是什么？
本研究没有训练新的语音合成模型，training 一节的职责由数据集构造与评测调用流程承担。必须明确未训练的是全部被测的 20 多个开源与闭源语音系统，论文只做零样本推理与自动打分，不更新任何声学或语言模型参数，也就没有梯度路径与参数冻结需要报告。这是数据集论文的常见形态，缺的是训练超参数，而不是技术错误。
真实计算过程分采集与提纯两段。下图展示了从挑战定义到数据落盘的 4 个阶段，这是复现数据侧的关键路径。
看图路径： 1. 沿 a 到 d 的顺序确认挑战定义场景选择采集与提纯的主路径；2. 对比 c 中文本语料音频媒体与大模型生成三条支路的后续处理差异；3. 检查 d 中去重质量伦理与人工复核四个步骤的输入输出关系
论文图 2。原论文 Figure 2：“Overview of dataset construction and refinement.”。
从像素看，面板 a 提出 3 个如何提问加一个如何评估提问，面板 b 把文本语料、音频媒体与大模型生成对应到不同场景，面板 c 显示爬取后要去噪过滤、说话人日志、转写校对与格式解析，面板 d 显示去重、质量、隐私伦理与人工复核。动作是具体的。文本侧用 clean-text 去链接表情与乱码并人工加说话人标签。音频侧先用 Zipenhancer 去噪，再用 DNS-MOS 阈值 3.5 过滤低质，然后用 3D-Speaker 做日志，用 SenseVoice 转写并人工校对。大模型侧用 GPT-5 按场景主题任务写结构化用例，再经人工核验。
提纯侧用 GPT-5 抽主题关键词摘要并用 Sentence-BERT 按余弦相似 0.8 去重，用 GPT-5 按表达清晰与内容连贯打分并只保留推荐分超 2 的样本，用 DeepSeek V3.2 带思维链做选择性匿名与毒性剔除，最后人工回填虚构实体并补量，得到 1101 样本。资源状态方面，clean-text、whisperX、SRMRpy、silero-vad 与 Fun-ASR 的第三方链接本次均确认可用，但这只说明评测依赖可达，不代表论文代码已公开。
测什么、与谁比、条件是否一致？
实验按问题组织。测的是单人长语音与对话生成在 7 维上的表现，与真实录音与真实对话对比。被测包括 10 个开源单人模型与 6 个闭源旗舰，以及 6 个开源对话模型与 4 个闭源对话基线。开源用 25 个覆盖中英文、性别与年龄的参考音色并取每模型最优以减少音色偏好偏差，闭源用官方高保真高表现力音色。所有生成重采样到 24 千赫兹，开源严格用官方默认配置，仅对个别模型的情感文本开关与系统提示做了为公平而记录的调整。
数据与协议侧的构成需要先看分布，否则无法判断比较是否公平。下图给出语言、人数、挑战与主题的分类统计，是核对采样偏差的依据。
看图路径： 1. 先看子图 a 确认 17 场景的样本量分布是否相对均衡；2. 再看子图 c 与 d 确认说话人数与中英文比例的构成；3. 最后看子图 e 与 f 确认三大挑战在样本数与词数占比上是否接近
论文图 8。原论文 Figure 8：“The categorical statistics of SwanBench-Speech across five key dimensions: language, speaker numbers, core challenges, content topics and scenarios.”。
从像素看，子图 d 显示中文 49.3% 与英文 50.7% 基本均衡，子图 c 显示单人双人与多人的构成中多人约 9.2%，子图 e 与 f 显示三大挑战在样本数与词数占比上都接近 30%，子图 a 显示 17 场景样本量相对均衡，子图 b 词云显示访谈会议咨询等主题多样。文本长度中文平均 271.8 字、英文平均 174.6 词，主要集中在 80 到 500 区间，对应分钟级语音。论文的理由是多数下游更关心分钟级质量，且 100 词以上已能暴露依赖退化。局限是中英文之外、低资源语言与方言口音未覆盖，提示音色仅 20 余种，复现时可换更宽音色。
比较公平性与指标方向要逐项记住。音色、保真度、韵律、丰富度、层次越高越好。混响是标准差越低越好。内容是错率越低越好。真实录音来自爬取源而非录音棚，保真度可能被设备噪声拉低，因此模型保真度反超真实并不代表全面超越。
下表先回答已有基准是否只测短句窄场景，比较问题是场景数、说话人数、平均词数与自动管线是否完备，公平条件是同表并列各基准的公开属性，指标方向是场景越多、词数越长、管线越全越适合长语音。
| SeedTTS-Eval | 6612 | 1 | 1 | 19.57 | 3 |
|---|---|---|---|---|---|
| EmergentTTS-Eval | 1645 | 6 | 1 | 33.93 | 5 |
| TTSDS2 | 60 | 4 | 1 | 24.24 | 4 |
| Choice of Voices | 1 | 1 | 1 | 988 | 5 |
| MinutesSpeech-test | 1221 | 1 | 1 | 134 | 6 |
| LibriSpeech-long | 960 | 1 | 1 | 534.5 | 6 |
| MultiDialog | 831 | 3 | 2 | 319.8 | 4 |
表后解释是多数已有基准场景数为 1 且平均词数仅十几到几十，而本基准 17 场景、平均 228.6 词并提供 7 维自动管线。代价是语言仍只覆盖中英，未胜出项是 LibriSpeech-long 等在平均词数上更长，说明本基准的优势在广度与指标完备而非极限长度。反例是若只看时长，分钟级以上有声书需求仍未被充分施压。
主结果显示了什么，限制在哪里？
主结果的总体判断是报告显示模型在保真度与内容上接近真实，但在混响一致性、韵律连贯与表现力上仍有系统差距。论文报告单人最强开源为 VibeVoice，对话最强开源为 SoulX-Podcast，闭源以 Minimax 与 Gemini 领先，闭源总体仍强于开源。语义侧内容准确率与真实相当，但韵律仍欠自然。声学侧保真度接近真实，单人混响除个别系列外尚稳，对话混响差距被用户 study 反馈为说话人之间声场与音量不一致。表现力侧闭源单人丰富度落后真实近 1 分、层次落后超 0.5 分，开源落后约 1.5 分。场景分析报告高表现力场景全面退化，体育解说主持脱口秀下降最重，支持模型缺高表现力长上下文训练的解释，但这仍是有限解释而非因果证明。
为避免把自动分当人评，必须先看人类对齐。下表比较不同大模型与传统 MOS 网络在表现层次上与人的相关，比较问题是谁更适合做表现力评委，公平条件是同一 200 样本与同一提示，指标方向是相关越高、误差越低越好。
| Models | PLCC | SRCC | QWK | MAE |
|---|---|---|---|---|
| GPT-4o | 0.1328 | 0.1171 | 0.0803 | 0.7604 |
| Qwen3Omni-Flash | 0.3263 | 0.2496 | 0.2193 | 0.8426 |
| Qwen3Omni-Instruct | 0.1641 | 0.1181 | 0.0869 | 0.9130 |
| Gemini2.5-flash | 0.0421 | 0.0005 | 0.0256 | 0.8673 |
| Gemini2.5-pro | 0.3732 | 0.3744 | 0.2871 | 0.800 |
| Gemini3-flash | 0.406 | 0.3924 | 0.2032 | 1.1837 |
| Gemini3-Pro | 0.6041 | 0.6234 | 0.5452 | 0.7204 |
表后解释是 Gemini3-Pro 在该表上以 0.6041 与 0.6234 的相关领先，传统 MOS 网络几乎不相关，支持用其做主要评委。代价是依赖闭源，存在可复现风险，论文也提出未来蒸馏开源评委。未胜出项如 GPT-4o 与部分开源 Omni 模型相关明显更低，不能替代。反例是单次打分仍有 11 个样本 5 次重复不一致，因此论文采用单遍策略但承认方差未完全消除。
下表进一步检查评分人之间是否自洽，比较问题是人工均值是否可靠，公平条件是同一批 10 位专家听音，指标方向同上。
| A1 | A2 | A3 | A4 | A5 | A6 | A7 | A8 |
|---|---|---|---|---|---|---|---|
| 0.8426 | 0.9014 | 0.9035 | 0.9163 | 0.8766 | 0.9022 | 0.7080 | |
| 0.8296 | 0.9028 | 0.9025 | 0.9143 | 0.8635 | 0.8945 | 0.7010 | |
| 0.6804 | 0.7726 | 0.7678 | 0.7872 | 0.7238 | 0.7575 | 0.5399 | |
| 0.8330 | 0.9030 | 0.8984 | 0.9079 | 0.8544 | 0.8938 | 0.7002 | |
| 0.4398 | 0.3336 | 0.3452 | 0.3336 | 0.3994 | 0.3541 | 0.5800 |
表后解释是多数评分人与其余人均值的相关在 0.8 以上，支持人工基准有效。代价是第 8 位评分人相关仅 0.7 左右，说明个体差异仍存在。未评测边界是听音只覆盖 50 对韵律偏好与 200 个表现力样本，不能推广到全部 1101 样本的每维结论。
人类对齐的更多维度需要用可逐字核对的原句表来固定，因为主结果大表在本次证据中表头不完整而不宜直接选择。下表只收录正文连续原句中实际出现的对齐与差距数字，比较问题是各指标与人的贴合度，公平条件是同一样本子集与同一量表，指标方向是相关越高越好、差距越小越好。
| 条件 | 指标 | 报告值 | 对照 | 含义 |
|---|---|---|---|---|
| 韵律偏好 50 对 | 韵律连贯性 | SRCC 0.82 | 人类偏好差值 | 支持捕捉长语音韵律感知 |
| 表现力 200 样本 | 丰富度 | SRCC 0.71 | Gemini3-Pro | 当选主要评委的依据 |
| 表现力 200 样本 | 层次性 | SRCC 0.62 | Gemini3-Pro | 整段动态仍难于局部感染力 |
| 音色 50 样本 | 音色一致性 | SRCC 0.75 | 人类 MOS | 支持滑动窗均值与感知对齐 |
| 保真度 50 样本 | 保真度 | SRCC 0.72 | SQUIM-PESQ | 支持跨中英文长语音泛化有限成立 |
| 对话混响 | 混响一致性 | 3.36 对 2.73 | 闭源均值对真实对话 | 越低越好，差距指向多人声场统一难 |
表后解释是韵律与音色保真度的相关在 0.7 到 0.82 之间，支持自动协议可做可扩展代理。代价是保真度的皮尔逊相关仅 0.47，说明线性贴合弱于等级贴合。反例是真实对话混响 2.73 明显优于生成均值，说明多人声场是当前最硬的短板之一，不能用单人混响达标来掩盖。
窗口与长度变化时，哪些维度先退化？
消融按失败条件组织。窗口消融测滑动窗长与步长是否改变结论。音色侧若窗小于等于 2 秒，真实数据一致性反而低于部分合成，说明与感知错位。若窗大于等于 4 秒，真实与合成差距被平均抹平，瞬时漂移被漏掉。步长影响小，为效率选大步长。
混响侧 1 秒窗区分度够但不稳，个别模型方差相对均值过高。大于等于 4 秒则模型间差异缩小，小尺度声场突变被忽略。最终 2 分支统一选 3 秒窗 2 秒步长，这是有证据的参数选择而非通用最优。
长度消融测输入句数增加时各维如何演化，横轴为句子数，覆盖声学语义表现力。下图是判断长程依赖的关键证据，需按曲线而非单点读数。
看图路径： 1. 先确认横轴为句子数纵轴为各指标且图例区分五个代表模型；2. 观察内容准确率子图中随长度上升而明显上扬的那条曲线；3. 对比表现层次子图中随长度下降最缓与下降最快的曲线差异
论文图 4。原论文 Figure 4：“Results on Sequence Length. The horizon- tal axis represents the number of sentences in the text.”。
从像素看，六宫格中音色一致性多条曲线相对平稳，混响一致性随长度轻微上漂即变差，保真度分层稳定。内容准确率格中灰色 SparkTTS 曲线随长度明显上扬即错率恶化，而其余模型平稳。韵律连贯格多数先升后平，表现层次格多数随长度下行，仅黄色 VibeVoice 下行最缓。教学判断是自回归在长文本下内容与韵律易累积误差，非自回归更稳但层次偏平。总体趋势不等于每步都成立，像素不能精确辨别的步数不硬写具体阈值。
自回归 × 非自回归： 自回归负责逐帧依上下文生成， prosody 建模能力强但长序列易误差累积；非自回归负责并行生成，鲁棒高效但节奏易被抹平。论文把二者对比的原因是长语音需要在长程语义连贯与局部生成稳定之间权衡，组合讨论引出从粗到细架构的动机。
下表固定数据集规模与语言构成等可核对事实，比较问题是基准是否同时保证量级与均衡，公平条件是同一 1101 样本池，指标方向是分布越均衡越不易偏向某类场景。
| 条件 | 指标 | 基准值 | 对照值 | 方向 |
|---|---|---|---|---|
| 全量 | 样本数 | 1101 | 17 场景 | 越多越广 |
| 语言 | 中文占比 | 49.3% | 英文 50.7% | 越均衡越好 |
| 文长 | 中文均长 | 271.8 | 英文 174.6 | 分钟级施压 |
| 对话 | 混响差距 | 3.36 对 2.73 | 真实更低更好 | 差距即短板 |
表后解释是该规模足以暴露 100 词后的退化，但极限有声书小时级需求仍未覆盖。代价是长度消融只在 100 样本三场景上测 5 个模型，不能推广到全部 17 场景。未胜出项是部分非自回归在长度稳定性上反超自回归，说明选型需按场景权衡表现力与鲁棒。
哪些结论不能下，边界在哪里？
论文明确三项局限。语言只覆盖中英，低资源语言方言口音未测。语义研究仍初步，缺对情绪与风格转换的深层理解评估。提示音色仅 20 余人，可能引入偏差，鼓励社区贡献更多音色。这是缺失证据而非技术错误，相关性不是因果，不能把场景退化直接断为训练数据缺某类样本。
伦理侧两项风险必须执行。提示语音不得侵犯原声者权利，未验证来源禁用。模型不得用于伪造新闻与政治演讲等虚假信息。测试集按 CC BY-NC-SA 4.0 非商业使用，附加音色需遵守各自许可。数据已做选择性匿名与毒性剔除，但人工回填的虚构实体仍需使用者复核，避免把占位符当真实人物。
方法边界还有三处。混响方差惩罚不适用于需动态换景的户外直播。音色均值可能漏掉周期性循环漂移，需时序建模补强。保真度反超真实多因真实为爬取噪声而非棚录，不能解读为超越人类。推理开销只报告实时率趋势，非自回归普遍更快，但总体趋势不等于每组都成立，未测量延迟与成本时不承诺部署收益。
复现先做什么，需要哪些条件？
复现分数据、推理、打分 3 步。数据侧先按场景清单准备 1101 文本，跑去噪、DNS-MOS 过滤、说话人日志、转写校对，再跑去重阈值 0.8、质量分超 2 保留、隐私伦理过滤与人工复核。推理侧开源用官方默认配置与 25 音色取最优，闭源用指定高表现力音色，统一重采样 24 千赫兹。打分侧音色混响用 3 秒窗 2 秒步长，内容用 FunASR 转写加归一化，韵律用 SpeechJudge 10 次平均，表现力用 Gemini3-Pro 按分段与整段两套提示。
关键超参数与信息条件要保留。窗口 3 秒步长 2 秒、语音活动检测剔除静音超六成窗、丰富度 10 秒不重叠分块、韵律 10 次平均、去重余弦 0.8、DNS-MOS 阈值 3.5、质量保留分大于 2。硬件为 8 卡 RTX 4090 与 Xeon Gold 6530，软件为 Python 3.10 与 Torch 2.8 生态。何时值得尝试是当你的模型声称支持分钟级或多人对话，且需定位是身份漂移、声场漂移、读错还是没起伏时。还需补的验证是换更多音色与更长文本重测层次，以及用开源评委替代闭源打分以固定可复现性。代码与演示链接在正文中给出，但本次只确认第三方依赖可达，不写当前已公开的断言。
收束：该记住的一张图与三条判断
记住方法全景图的三分法。场景环决定考什么，指标面板决定怎么算，雷达开口决定短板在哪。重提结果时增加适用条件。在分钟级中英文范围内，内容准确率已可用，保真度接近真实，但对话混响、韵律连贯与表现层次仍是系统差距。高表现力场景退化最重，长度增加先伤层次与韵律，自回归内容风险更高。
3 条可操作判断。选型时要表现力选自回归并接受长文本校对成本，要稳定高效选非自回归并接受节奏偏平，未来看从粗到细。数据时优先质量与时间连续而非单纯堆量，从句级向段级课程学习。评测时先看 7 维画像再看总分，重点复核混响方差与层次分，警惕用保真度单项掩盖动态缺失。未验证的推测用可能表达，待验证的是开源评委、低资源语言与小时级建模，这些不影响当前基准作为定位工具的价值。
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
- 评分规则：type-aware-v1
- 评分模型：muse-spark-1.3-contributor
- 评分请求协议：openai_responses