模型评估

AcoustiClaim 把自由文本中的数值声称抽出并与定义该量的仪器读数对比，用混合语料控制参考是否在输入中，最强证据是外部面板仅 8 个可排序单元超过 0.3 排序相关且误差多在常数基线之上，而带校准拒答的参考系统在混合上降低十个量的选择风险但排序优势仍在均值预测器。

该研究用同一批被试在学习、导航、闲聊和听故事四种任务中交叉评价四个合成系统，报告应用场景会显著改变系统间差异，而虚拟现实数字孪生在宽松等价带下得到可比评分，但分系统看仍有不确定性且播放设备不同构成代价。

论文追问短式预切分与长式连续音频下延迟排名为何互相矛盾，用词级对齐的真延迟做参照对比多种自动指标，发现段后尾词处理是结构性偏差来源，提出只计段内词的 YAAL、长流用的 LongYAAL 与 SOFTSEGMENTER 重分段，最强证据是短式去退化后与长式重分段后的成对排序准确率提升，代价是仍依赖词级对齐质量且需先做退化诊断。

针对参考无关文本生成音频评价中全局 CLAP 相似度与人评相关低的问题，ELSA 用大语言模型拆分声事件加语言查询分离加 Human-CLAP 分层打分，在四个基准上把与人评的秩相关显著提高，但绝对分值系统性偏低且未显式建模时序。

论文在只用成人语音训练、冻结自监督表示做儿童测试的严格零样本条件下，比较 Wav2Vec2、HuBERT 和 Data2Vec 逐层表示，证明最好词错误率相近的层误差结构、逐句最优选择和大模型纠错可恢复性并不一致，而互补表示的理想选择在失配更重的 CMU Kids 上增益更大，代价是单层选择不稳定且文本纠错几乎无效。

该综述以 38 篇一手文献追问实时语音智能体何时说、如何说与是否真做成，指出级联仍是可自托管部署的现实选择、评价正从部件质量转向对数据库状态的验证，而多人场景正在瓦解双人对话假设，并据此提出时机—恢复—落地的最低联合报告标准。

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。

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。

针对强零样本语音合成系统常规客观指标饱和、与人评排序脱节的问题，论文提出把本轮合成音频作为下一轮参考音频反复合成并聚合多轮指标的 I2D 框架，用十轮迭代把 UTMOSv2 系统级相关从 0.118 提升到 0.464，代价是合成与计算量成倍增加且更偏向稳定性而非多样性。

MUGEN 把多音频理解做成从五个音频候选中按文字约束选出目标的接地任务，在 35 个任务 1750 个样本上报告开源模型约 24-28% 而 Gemini-3-pro 高思考约 69.60% 的总体准确率，并显示打乱音频顺序再投票的 APSC 可带来最高 6.74 个百分点的可运行增益，但多次生成带来明显计算代价。

针对微调中损失曲线不能反映口音感知变化的问题，该研究用合成与真值元音空间形状的重叠面积与普鲁克鲁斯特归一化差异跟踪学习，并在新西兰英语与印度英语上报告与口音相似度评分的强相关，代价是只覆盖角元音与元音系统且需额外合成切分与共振峰流程。

该研究以人耳转写为基准比较多种现代语音识别模型在噪声与增强失真下的词正确率，报告显示大模型趋势更接近人类但绝对分数更高且会掩盖声学损伤，文本归一化等细节也会改变系统排序。

该研究从 71174 段音频描述中抽取归一化来源属性事件并用音频对齐嵌入过滤语义相近的缺席查询，以四个音频大模型与十二种提示词的大规模是否问句测量复杂度影响，发现事件数从 1 增至 5 时在场真阳性率系统下降而缺席假阳性率系统上升，且换措辞会在召回与误报之间形成权衡。

该文把 FAD 评价拆成召回、精确度、语义对齐与结构对齐并用对数自归一化比较六种编码器，报告显示重建类 AudioMAE 精确度最敏感而 ASR 类 Whisper 结构最敏感但对信号退化近乎看不见，代价是没有任何单一编码器能同时兼顾四轴。

该研究用与 LRS3 测试集七个因素分布严格对齐的新测试集 MV2LRS3 检验五个主流视听模型，发现词错误率从 1% 以下普遍恶化到 14.0% 至 23.5%，且时长与词表偏差是主要驱动因素，视觉模态在新集上反而多数拖累音频。

针对长而细的情感语音描述难以整体打分的问题，论文把评价拆成原子感知单元并用音频语言模型逐条做有无的二值验证，再与参考单元做语义匹配算 F1，在 320 对的人评上取得约 0.44 的正相关，而传统 n-gram 指标呈负相关，代价是依赖模型判断且对复杂人声事件的检出率明显下降。

论文以语音经发音再到语音的闭环为问题，用发音特征加声源与说话人特征以及确定性合成与流匹配生成的对照，显示附加特征与采样步数能提升自然度与说话人相似度，但会削弱发音保真并在噪声与特征替换下暴露依赖。

该研究在真实语音人工标注上对比文本特征、大语言模型与 Whisper 解码器内部探测三条路线，最强可部署证据是内部序列 BLSTM 在无参考下达到 F1 65.5%，而文本与内部融合进一步达到 F1 68.3%，代价是失去零样本可用性并需要直接访问模型内部。

论文针对词错率把所有错误等同处理而漏掉关键语义改变的问题，提出从词汇、语音、形态、语义四个维度分别计分的 SHALLOW 基准，最强证据是合成受控数据上各指标只在目标类别取峰且语义与词错率近正交，而代价是权重与语言相关模型带来领域依赖与英语限定。

针对音频编辑缺少参考真值而难以评价的问题，该工作在 Qwen2-Audio 上先补差异与共性联合理解，再用七步思维链做可读文本评价，最强证据是差异与共性准确度与人工编辑和保持评分呈现互补相关，而代价是保持维度的声学一致性建模仍弱于专用监督打分模型。