主观评测

论文用声学劣化、重音翻转、基频与语速操纵三组可控扰动比较 15 名日语母语听众与 6 个预测模型，显示模型能跟踪杂音却对 1.84 分的重音下跌至多只动 0.1 分，并对平均基频呈现人类没有的强偏置，代价是标量平均意见分丢失了韵律维度。

论文用四系统配对消融与 768 个人评证明神经 MOS 在离散野外 TTS 上相关性塌到零且错罚噪声而漏判语义错误，代价是不能再单独用它做系统排序。

该研究用同一批句子在朗读、助手、演员、动画角色和自发对话五种设定下同时测人类相似度和合适度，发现合适度随场景独立变化，最强的证据是人类相似度与合适度的句级相关从演员域正相关转为助手域负相关，而常用客观指标在表情丰富的域失效。

该研究把固定零向量换成每个条件独立可学习的空嵌入并解耦说话人与文本引导，在相同模型与训练条件下提升说话人相似性与稳定性且在大引导权重下更稳，代价是绝对感知质量分数略降且需在推理时手工权衡相似性与自然度。

针对声音印象数值控制中无公开语料与参考音频导致印象泄露的问题，论文构建 LibriTTS-VI 并提出双话语解耦训练与无参考生成，最强证据是 11 维印象均方误差客观从 0.61 降到 0.41、主观从 1.15 降到 0.92，代价是无参考方法说话人相似度略降且部分维度仍难控。

该研究以 301 名学习者的 pepeha 朗读为样本，用语音学家听辨、流利者按音节接受或拒绝打分、F1 与 F2 声学测量三角验证单双元音的可接受边界，发现单音中高接受的央化与后缩变体在双元音语境下接受度分化，代价是目前仅覆盖部分元音且未做评分者一致性检验。

针对混合音乐中乐器种类与数量未知的问题，论文用 stem 嵌入生成器逐个发现音频查询再驱动查询分离器，在正确检出的干声上达到人工查询相当的分离质量，主要代价是检出召回不完整与自编码器引入的听感瓶颈。

针对说话人识别训练压制同一人差异而损害语音生成表现力的问题，该文提出每人学多个子中心的判别训练，并在零样本声音转换上显示高方差配置提升可懂度和自然度，同时保持验证性能，但低方差配置在说话人相似度上更有优势。

该研究以 ElevenLabs 性感化男女声为对象，用性感文本与彩虹通道文本交叉配对做听辨实验，发现男声更易得积极与支配评价、女声更易得顺从与性感评价，且换成中性文本后女声性感化标签仍显著残留，代价是样本仅限英语商业平台与北美听众。

该研究用有无逗号的歧义句考查合成音的韵律可懂度，发现压缩音高变化的单调处理影响很小，而与韵律线索无直接语音关联的机器化音质只在有逗号句上提高了图片匹配正确率，问卷上情感音仅提高了自然度评分。

针对生成式增强容易幻觉且强混响强噪声下质量不足的问题，StuPASE 用干声微调修正目标分布并把声学模块换成流匹配，在保持低词错率的同时把主观质量做到最高，代价是客观说话人相似度略降且依赖两阶段训练。

针对合成器声音匹配中通用音频表示难优化、直接搜索需反复渲染的问题，Synth-JEPA 学习音频与参数互相预测的联合嵌入并以此为免渲染目标做两阶段搜索，域内匹配最优且听感偏好达 85.1%，代价是 53M 模型与随预算增长的测试时计算。

论文检验参考与生成语音的情绪嵌入余弦相似度作为情绪评价指标的有效性，用受控三元组、对抗干扰和人类偏好对照证明其在说话人与文本干扰下失效，最强证据是语言干扰下准确率跌至个位数且与人类判断基本无关。

该挑战要求把对话中韵律承载的语用意图连同词义一起翻译，证据显示最佳音频系统主观评分 3.46 仍比人类重演 4.59 低 1.2 分，而特征映射基线几乎未被超越。

SGILE 针对原住民语言教学的低资源 TTS 问题，选择用开源 EveryVoice 工具包降低建声门槛并用 BWS 等强制选择评测降低听音人负担，论文以网页 Demo 展示不同数据量声音与 BWS 问卷流程，但正文未报告正式主观得分与统计检验。

共分析 34 篇语音/AI 论文

针对口语翻译评价只用文本上下文而低估人工译文的问题，该文提出以场景视听标签为共同条件的 AV-CXMI，在韩英电影翻译上报告与人工评分显著正相关 r=0.400 而文本版为负相关，代价是依赖云端大模型抽标签且仅在小规模单语对上验证。

针对人工耳蜗用户节奏感知弱的问题，BeatGain 在保留人声并重混打击成分的基线上加入节拍引导的时变增益，客观复杂度估计下降且节奏清晰度偏好显著提升，代价是偏离原混音略增且目前只验证 4/4 拍。

针对语音对话模型能说清但不够生动且缺客观表现力度量的问题，DeEAR 把表现力拆成情感、韵律、自发性三维分别建模再用 XGBoost 非线性融合，仅用 480 个标注在整体表现力上达到 SRCC 0.85 并以 14K 筛选数据把基座模型表现力从 2.0 提升到 23.4，代价是依赖启发式伪标签与小规模专家评测。

该研究把模仿质量判断转化为 20 类名人识别的 Top-1 命中问题，用注意力增强的 ECAPA 嵌入融合韵律与频谱打分，在 MIMICz 上达到 75% Top-1 命中，代价是依赖小规模棚录数据与主观 MOS 定义的最优。