NV-Bench：非语言声振合成基准
声音
2026-03-19 v2 人工智能
音频与语音处理
摘要
虽然最近的文本到语音 (TTS) 系统越来越集成非语言声振 (NV)，但其评估缺乏标准化指标和可靠的参考基准。为填补这一差距，我们提出 NV-Bench，首个基于功能分类将 NV 视为交际行为而非声学制品的基准。NV-Bench 包含 1,651 个多语言、野生语料配对的人类参考音频，跨 14 类 NV 类别均衡。我们引入双维评估协议：(1) 指令对齐，采用提出的准言语字符错误率 (PCER) 评估可控性；(2) 声学保真度，衡量与真实录音分布差距评估声学真实性。我们评估了多样 TTS 模型并构建两个基线。实验结果显示我们的客观指标与人类感知呈强相关，确立 NV-Bench 作为标准化评估框架。
引用
@article{arxiv.2603.15352,
title = {NV-Bench: Benchmark of Nonverbal Vocalization Synthesis for Expressive Text-to-Speech Generation},
author = {Qinke Ni and Huan Liao and Dekun Chen and Yuxiang Wang and Zhizheng Wu},
journal= {arXiv preprint arXiv:2603.15352},
year = {2026}
}
备注
Submit to Interspeech 2026