要有效评估文本转语音 (TTS) 系统，需要避免可能导致误导性结论的常见错误。三个关键陷阱包括过度依赖自动化指标、对语言准确性关注不足以及主观评估设计不当。这些都可能扭曲结果，使得难以评估系统在现实世界中的表现。
首先，过度依赖 Mel-Cepstral Distortion (MCD) 或 Word Error Rate (WER) 等自动化指标会产生虚假的质量感知。这些指标衡量的是特定的技术方面——例如合成音频与参考音频之间的频谱相似度或转录准确性——但无法捕捉自然度、情感表达或韵律等细微差别。例如，一个 TTS 模型可能通过生成频谱干净的音频来获得较低的 MCD 分数，但由于单调的发音，听起来仍然像机器人或不自然。类似地，WER 可能无法检测同形异义词（例如，“read”在上下文中发音为“reed”而不是“red”）的错误发音，因为转录的文本与输入匹配。开发人员应将这些指标与人工评估相结合，以评估算法无法量化的方面。
其次，忽视语言准确性是一个严重的疏忽。TTS 系统必须处理复杂的语言特征，如音素发音、音节重音和语调模式。例如，系统可能正确生成单词“record”，但重音放在错误的音节上（例如，动词形式应为“re-CORD”，系统却发音为“RE-cord”），从而改变含义。同样，处理罕见词、专有名词或语码转换（混合语言）通常会暴露系统弱点。主要在英语上训练的模型可能会错误发音外语名称或技术术语，降低在实际应用中的可用性。针对这些边缘情况进行有针对性的测试——并使用发音词典或语言规则——有助于发现通用评估遗漏的问题。
最后，主观评估往往设计不佳，导致反馈不一致或存在偏差。例如，使用未经训练的听众或小样本量可能会扭曲结果，因为个人偏好差异很大。要求评估者在没有定义标准（例如清晰度、语速、情感）的情况下评估“自然度”，可能会产生模糊或矛盾的回答。为提高可靠性，请使用结构化协议：定义评估标准，用示例评级训练听众，并包含对照样本（例如，人类语音与合成语音）。此外，避免在嘈杂环境或使用不一致的播放设备进行测试，因为这些因素会扭曲对音频质量的感知。精心设计的主观测试可在实用性与严谨性之间取得平衡，以确保获得可行的见解。
通过解决这些陷阱——将客观指标与人工判断相结合、测试语言边缘情况以及改进主观方法——开发人员可以构建更稳健的 TTS 评估流程。