语音质量评估

论文用同一批日式英语做分析再合成以对齐口音强度，对比四种指示语和两类评测者并对照三种自动打分，说明笼统问自然度会把口音当缺陷，而问像人声程度并请熟悉该口音的人来听能更公平地比出系统差异。

针对现有 MOS 预测在韩语上校准不良的问题，KOMOS 用 29 名韩国听众对 1000 条语音的 5000 个打分微调 Whisper-medium 编码器与听众条件预测头，在测试集上取得 SRCC 0.900 与 LCC 0.950，但结论只在该韩语数据划分与 seen-system 条件下成立。

该研究用 18 个客观指标在同一土耳其语测试集上对比四个现代合成系统与 VITS 基线和自然录音，发现各系统分别在不同指标族领先且短句与长时漂移会改变结论，代价是只用客观指标且只覆盖单一说话人。

论文用 AgenticTTS-Forge 让智能体在 CosyVoice2-0.5B 上复现并改进强化学习后训练，再转到声学解码器把坏例从 13.4% 降到 6.1%，但三处测量漏洞说明能走多远取决于测量合同是否覆盖智能体读过的每个通道。

该文把刷分定义为扰动带来的加分并以编解码往返输出为基准，用五个攻击者取最坏情况做测量，发现四个常用预测器可攻击率差一个数量级以上，而闭环打补丁只在自家攻击空间内有效且随机扰动基线就能持平，还伴随域外一致性下降。

针对 MOS 预测器跨域排序不稳的问题，论文用小规模已有人工评分拟合逐句自适应路由以合并四个教师并在 807k 无标注语音上蒸馏出单个 wav2vec 2.0 学生，在 URGENT 上 Spearman 达到 0.802、在 mos260 上达到 0.636，代价是目标上限仍受教师集成约束且绝对分值向中间压缩。

论文引入系统级偏好准确率检验预测 MOS 能否复现人评的系统两两优劣，发现在两个增强任务上单模型最高仅 76.8%，集成与领域自适应也只在限定条件下改善，说明相关系数高不等于比选可靠。

论文把增强语音直接加可优化扰动去推高四个 MOS 预测器均值，在七个 URGENT 2026 系统上四个目标分数都上升而未见预测器至多变化 0.03、参考指标基本不动，MUSHRA 显示优化版并不更好却能把排名提前数位。

论文用响度、内容丰富度和情感表达三组单变量受控操纵审计六个语音裁判，发现成对比较会系统性偏好更响更丰富更欢快语音而理由很少点名真正起作用的声学线索，人听校准显示部分偏好超出人类权重。

针对参考条件下的跨语言语音二选一诊断任务，论文用约 300 组人类偏好筛选并校准声学度量为非约束性概率提示以扩展出万级监督，再比较监督微调、在策略蒸馏与强化学习的不同分工，报告显示维度一致性提升 6.3 个百分点但强化学习主要改善高共识样本且可能降低维度诊断分。

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

论文针对参考引导的 expressive 语音生成评价问题，用三元组分级比较构建 SES-Bench 并以累积 logit 序回归训练 SES-Judge，在 848 个测试比较上取得 Spearman 0.5297 与准确率 74.96%，显著高于嵌入余弦与大音频语言模型，但仍只覆盖 TTS 与 VC 两类任务与有限情感分布。

针对语音质量评价依赖背景声学和细粒度 cues 而常用自监督表征对此不变的问题，该文用局部谱时编码加帧级谱聚合的新编码器与包含直接混响比和窄带宽带的新声学任务做联合预训练，在冻结编码器下以较小参数在多数据集上达到可比大模型的平均意见分预测，并以消融显示新任务的增益与小数据训练的代价。

针对依赖正则音素与强制对齐的发音评估问题，ALFreeD 用教师语音做参照，经 HuBERT 表示、DTW 对齐、帧级偏差与 i 向量压缩再用 MLP 打分，在 SpeechOcean762 上用 300 到 2500 个标注样本达到 0.68 到 0.74 的皮尔逊相关，代价是仍需同文本教师语音且只验证了句子级总分。

针对只能看到 2-8 秒前缀时的语音质量估计问题，ANCHOR 在 ARECHO 上引入块级与整句级双分辨率自回归解码与块优先顺序，在 2 秒前缀上把 PLCMOS 误差降低 48%，代价是在长前缀的 UTMOS 等全局指标上出现可预期的交叉落后。

针对合成语音 MOS 只给点估计不可靠的问题，ConformalMOS 用冻结上游表征加高斯平滑序回归做点估计，再用分裂共形校准输出区间，在 BVCC 上以系统级 MSE 为 0.08 取得相对 FUSE-MOS 约 7.0% 的降低，代价是 utterance 级 MSE 略升且保证只在可交换性成立时有效。

该文用 11 段纯语音与 11 段语音加背景音的 MUSHRA 听测检验 20 余种客观指标，发现 SCOREQ 在纯语音上 Pearson ρ 为 0.937、PESQ 在混合音频上 ρ 为 0.903，而 PEAQ 与多数免参考指标在混合内容上失效，代价是现有指标均不刻画立体声空间失真且样本与听音人数有限。

该文在 10 个系统的语音自然度评价中比较随机、排序式 merge-rank 与信息增益式 ASAP 三种选对策略，发现 ASAP 发现显著差异最多、排序最稳，且相同听音时长下 BWS 优于 AB，但代价是 BWS 单题更长、ASAP 需序贯计算与完整回答库仿真。

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。