通过迭代实现差异化：增强零样本 TTS 评估的辨别力和可靠性

现代零样本文本转语音 (TTS) 模型的可靠评估仍然具有挑战性。主观测试成本高昂且难以重现，而客观指标往往饱和，无法区分 SOTA 系统。为了解决这个问题，我们提出了 Iterate to Differentiate (I2D)，这是一种评估框架，可以使用模型自身的输出作为参考来递归地合成语音。更高质量的模型对迭代合成引起的分布变化表现出更大的弹性，从而导致性能下降更慢。 I2D 利用这种差异性退化来扩大性能差距并揭示稳健性。通过跨迭代聚合客观指标，I2D 提高了可辨别性以及与人类判断的一致性，将 UTMOSv2 的系统级 SRCC 从 0.118 增加到 0.464。对中文、英语和情感数据集的 11 个模型进行的实验表明，I2D 能够对零样本 TTS 进行更可靠的自动评估。