NVMOS：言语中的非言语发声质量评估

非语言发声 (NV)，例如笑声、叹息和咳嗽，是情感和意图的重要声音线索。现有的语音质量评估方法通常侧重于整体自然度，而非语言 TTS 评估主要考察目标 NV 是否以正确的类型和位置出现。然而，NV 事件本身的感知质量仍未得到充分探索。为了解决这一差距，我们构建了一个 NV-MOS 数据集，其中包含多个 NV-TTS 系统的输出和自然发生的 NV 样本，并根据感知质量等级从三位声学专家收集了评级。我们进一步分析了具有音频功能的多模式 大语言模型（例如 Gemini），发现它们的分数与专家评分之间存在明显的不一致。这些结果表明通用多模态模型不能可靠地取代人类对 NV 质量评估的判断。然后，我们提出了 NVMOS，据我们所知，这是第一个能够可靠预测语音中 NV 事件感知质量的模型。实验结果表明，通过局部NV事件聚焦模块，NVMOS与人类MOS达到专家级或更强的一致性。