オルーワニフェミ・バンブゴース (Oluwanifemi Bamgbose) 氏らによる研究チームは2026年8月10日(現地時間)、Text-to-Speech (TTS) の自動評価手法に関する研究論文をarXivに提出した。論文では、Mean Opinion Score (MOS) 予測器やAudio Large Language Models (Audio-LLM) の評価が、人間の知覚する音声の多様な側面を捉えきれていない実態を指摘している。
研究チームは、「自然さ」という概念を言語学に基づいて10の知覚的次元に分解した評価スキームを構築し、TTSの次元レベルメタ評価ベンチマークを開発した。このベンチマークは、訓練された言語学者による860の音声発話アノテーションを含んでいる。
4つのMOS予測器と4つのAudio-LLM評価器を対象としたベンチマークの結果、MOS予測器は音響信号の品質に集約される傾向を示した。一方、Audio-LLM評価器は、プロンプトに依存した選択的な検出を示し、全ての次元にわたって汎化しないことが明らかになった。どちらの評価手法も、言語学的に構造化された幅広い種類の音声エラーを確実に捉えることはできていない。
研究チームは、より的確で解釈可能なTTS評価を支援するため、本データセット、アノテーションスキーム、および評価コードを公開した。
参考: arXiv cs.SD (アーカイブ) — 2026年8月11日 02:59 (JST)
原文ハイライト"MOS predictors collapse onto acoustic signal quality, while Audio-LLM judges show selective"
この記事をシェア