论文
NVV-SuperBench：超越言语，超越语音生成中非语言发声的质量基准
NVV-SuperBench: Beyond Words, Beyond Quality-Benchmarking Nonverbal Vocalizations in Speech Generation
摘要
非语言发声 (NVV)，例如笑、叹气和抽泣，对于类人语音至关重要，但标准化评估很少联合评估系统是否生成预期的 NVV、正确放置它们并在不损害语音的情况下保持它们的显着性。我们推出了 NVV-SuperBench，这是一种使用 NVV 生成语音的中英双语基准。它提供了超越传统语音质量评估的统一 45 类分类法和多轴协议，可评估 NVV 特定的可控性、放置和感知显着性。我们使用客观指标、人类听力测试和基于 LLM 的多评估者评估，对 15 个语音生成系统进行基准测试，涵盖基于提示和基于标签的控制范例。结果表明，NVV 可控性通常与语音质量脱钩，而低 SNR 口头提示和长时间情感 NVV 仍然是瓶颈。 NVV-SuperBench 强调了当前的差距，并支持在更类似于人类的语音生成方面取得进展。