一つの自然さスコアの盲点
8月10日の研究はTTSの自然さを10の言語学的知覚次元に分け、訓練済み評価者が注釈した860発話で、MOS予測器4種とAudio LLM評価者4種を比較しました。
著者によるとMOS予測器は音響信号品質に偏り、Audio LLMは一部を検出してもプロンプト依存で全次元へ一般化しません。どちらも構造的な言語誤りを広く安定検出できませんでした。
実務への意味
音がきれいでも単語、抑揚、リズム、言語切替が正しいとは限りません。多言語音声では総合MOSだけでなく、発音、意味保持、固有名詞、数字、コードスイッチングを分け、対象言語話者の聴取を含めるべきです。
限界
860発話と選択した8評価器による査読前プレプリントで、全言語・音声に一般化しません。ただし評価AI自身を再評価する必要を示します。