人工听测是金标准——但需结构化设计方能发挥效用
评估主观质量最直接的方式，是请人聆听并对所听到的内容进行评分。标准指标是平均意见分（MOS），即听者在一个量表（通常为1至5分）上对自然度或整体质量进行打分。本领域的多项研究将MOS作为主要衡量标准：例如，P2VA框架在将人物描述转换为语音属性时，将MOS提升了0.33分[1]；DiffVoice则通过主观评估证明，其在自然度上优于公开可用的最佳系统[9]。然而，单一的MOS分数可能掩盖系统失效的深层原因。因此，最优质的评估往往将MOS与更具诊断性的测试相结合。
对于可控文本转语音（TTS），你往往不仅想知道“它听起来好不好？”，还想知道“它是否遵循了指令？”或“情感表达是否到位？”。这需要针对特定任务的听测。例如，CoT-TTS挑战赛将人类主观评估与客观指标及基于多模态大模型的评估相结合，以判断系统能否从上下文中推断出预期的说话方式[4]。类似地，EdiTTS通过听测来确认其编辑方法生成的样本能满足用户设定的要求[8]。要点在于：围绕你正在评估的具体控制目标来设计听测，而不仅仅是关注整体音质。
结合人工评分与客观指标，捕捉人耳遗漏之处
人工聆听至关重要，但成本高昂且可能不够稳定。因此，这里的研究始终将主观测试与客观指标相结合，尤其是自动语音识别（ASR）的词错误率（WER）及其他自动评分。例如，P2VA在提升MOS的同时将WER降低了5%，表明更好的语音属性转换也能改善可懂度[1]。无编码器的风格控制模型在WER和自动评估分数上与带有重型文本编码器的基线模型相当，证明轻量级表示能够维持感知质量[10]。这些客观指标可作为质量的代理，并能捕捉到听者可能未察觉的问题，如发音错误或漏词。
客观指标对于定位问题同样很有帮助。一项研究利用帧级质量评分来检测两个最先进TTS系统中的合成伪影，随后通过听力测试确认，听众对这些片段的评分确实低于随机对照组[2]。这表明客观预测器可以指导我们该听哪里，使主观评估更加高效。然而，客观指标并非完美无缺——它们无法捕捉表现力或情感上的细微差别。正因如此，MINT-Bench中的混合评估协议将内容一致性、指令遵循和感知质量联合评估，结合了自动测量与人工测量[3]。结论是：用客观指标来筛选和诊断，但始终要用人的耳朵来验证。
将评估与您关心的控制维度相匹配
可控文本转语音（TTS）可在多个维度上灵活变化——包括情感、口音、语速、音高等等。正确的评估方式取决于你测试的是哪个维度。在情感控制方面，EmoSphere++ 采用了客观与主观相结合的评估方法，展示了对情感风格和强度的精细控制，包括对未见说话人的控制能力[7]。在口音控制方面，一项关于带口音TTS的研究同样使用了客观与主观测量手段，证明在有限数据下进行微调能够改善韵律表现和口音相似度[5]。在韵律和音高编辑方面，EdiTTS 通过听力测试和语音转文字回转录来验证编辑是否被正确应用[8]。
关键在于明确你的控制维度，然后选择能够直接衡量该维度的指标。例如，如果你在测试指令遵循能力，就需要一个像MINT-Bench这样的基准，它具备分层分类体系，并跨十种语言进行评估，结果揭示组合控制和副语言控制是主要瓶颈[3]。如果你在测试上下文感知能力，CoT-TTS挑战则要求系统在输出语音的同时附带思维链推理分析，并对两者进行评估[4]。而如果你在测试音素或词汇层面的情绪强度等细粒度控制，则需要像分层情绪预测研究那样使用分层情绪分布[6]。归根结底：不存在放之四海而皆准的评估方法；应围绕你所声称的具体控制能力来设计评估方案。
关于这些资料来源
本回答基于10项同行评审研究——发表于2022年至2026年间，其中8项为2024年或之后发表，合计被引用120次——这些研究是从13项通过质量筛选的研究中选出的最具相关性的成果，而后者又源自从超过5亿篇论文的数据库中检索到的64篇文献。
本文引用的文献
P2VA：将人物描述转换为语音属性，以实现公平且可控的文本到语音合成
P2VA框架将人物描述转换为语音属性，在评估中使MOS提升了0.33分，并将WER降低了5%，同时还揭示了基于LLM的语音属性转换中存在的社会偏见。
基于语音质量的低质量语音与文语合成伪影定位
采用基于片段的一致性约束进行正则化的语句级语音质量预测器，降低了帧级随机性，且听力测试证实，帧级得分较低的片段与听者评价为质量较差的片段相对应。
MINT-Bench：面向指令跟随文本转语音的综合多语言基准
MINT-Bench是一个面向指令跟随式语音合成的多语言基准，采用分层混合评估协议（内容一致性、指令遵循度、感知质量），覆盖十种语言，研究发现组合控制和副语言控制仍是主要瓶颈。
ISCSLP 2026 CoT-TTS挑战赛：面向上下文感知语音合成的思维链推理
CoT-TTS挑战赛通过要求系统输出思维链推理和语音，结合客观指标、基于多模态大语言模型的评估以及人类主观评价，来评估上下文感知的语音合成技术。
有限数据下的带口音语音合成
在有限数据（5000词词典、约3分钟语音）微调下，带口音的TTS框架在语音和韵律表现上均有提升，客观与主观评估均证实了这一点。
文本到语音合成中的分层情感预测与控制
在音素、词汇和话语三个层级上建立的分层情感分布（ED）机制，实现了对语音合成（TTS）中情感的量化控制，并通过客观与主观评估双重验证了其有效性。
EmoSphere++：基于情感自适应球面向量的情感可控零样本文本到语音合成
EmoSphere++采用情感自适应球面向量，无需人工标注即可精细控制情感风格与强度，客观和主观评估均表明，其对已见和未见说话人的表现力均有提升。
EdiTTS：基于评分的编辑方法用于可控文本到语音合成
EdiTTS是一种基于分数的编辑方法，能够对内容和音高进行有针对性的细粒度编辑，听感测试和语音转文本回转录结果表明，它在满足用户指定要求方面优于基线方法。
DiffVoice：基于潜在扩散的文本到语音合成
DiffVoice是一种潜在扩散TTS模型，在LJSpeech和LibriTTS上的主观评估中，其自然度超越了现有最佳公开系统，并在基于文本的语音编辑和零样本适应方面达到了最先进水平。
基于语音属性向量的无编码器风格可控文本转语音
采用原型属性向量的无编码器风格控制TTS，在词错误率和自动评估分数上与带文本编码器的基线模型相当，同时将模型体积缩减38%，且不损害感知质量。