平均主观意见分（MOS）是一种通过汇总人类判断来评估文本转语音（TTS）系统质量的标准化方法。它涉及参与者聆听合成语音样本，并在数字量表（通常从 1 分（差）到 5 分（优秀））上评估其感知质量。这些评分的平均值形成 MOS，直接衡量语音对听众来说有多自然、清晰和悦耳。这种方法被广泛使用，因为它捕捉了主观的人类感知，这是自动化指标通常无法完全复制的。例如，一个产生听起来像机器人的语音的 TTS 系统可能得分为 MOS 2.5，而一个听起来更自然的系统可以达到 4.2 分。
MOS 在 TTS 开发中至关重要，用于比较系统、验证改进和设定基准。开发者经常使用 MOS 来对照现有模型测试新模型——例如，评估神经网络 TTS 模型与传统拼接系统。在一个场景中，团队可能收集 50 名参与者对每个聆听 10 个音频片段的 MOS 评分，以确保统计显著性。结果指导决策，例如优先选择在自然度方面得分更高的波形生成器。MOS 也帮助跟踪随时间推移的进展；如果系统在模型更新后 MOS 从 3.8 提高到 4.1，这表明用户体验有了显著提升。虽然梅尔倒谱失真（MCD）等客观指标衡量声音保真度，但 MOS 仍然是评估实际可用性的黄金标准，因为它反映了人类偏好。
然而，MOS 也有局限性。进行大规模评估既耗时又昂贵，需要精心设计的研究以最大程度地减少偏差。参与者的变异性——例如不同的文化背景或听力敏锐度——可能会影响结果。为了解决这个问题，开发者使用标准化协议（例如 ITU-T P.800 指南）和受控环境，确保音量一致并避免引导性问题。MOS 通常与自动化指标结合使用以进行平衡评估：系统在 MOS 中得分可能很高，但延迟较高，这需要进行权衡。例如，亚马逊 Polly 或谷歌的 TTS 服务在测试期间可能同时使用 MOS 和推理速度等指标。尽管面临挑战，MOS 对于使 TTS 系统符合人类期望仍然不可或缺，尤其是在虚拟助手或有声读物等对用户满意度至关重要的应用中。