SPAM：基于风格提示的语音合成风格提示遵循度度量标准
声音
2026-01-12 v1 音频与语音处理
摘要
基于风格提示的语音合成（TTS）旨在生成遵循文本提示中细粒度风格线索的语音。然而，大多数先前工作既不依赖合理也不依赖忠实的度量来评估提示遵循情况。也就是说，他们无法确保评估基于提示且类似于人类。因此，我们提出了新的自动度量标准——风格提示遵循度度量标准（Style Prompt Adherence Metric, SPAM），其显式满足可信度和忠诚度。灵感来自 CLAP，我们的方法将语音分解为声学属性，并将其与风格提示对齐。此外，我们使用监督对比损失训练评分器，这可以提供不同语义之间的更清晰区分。我们 conducted 两个实验，从两个角度进行评估。可信度实验表明，SPAM 与平均意见得分（MOS）的相关性很强。忠诚度实验还表明，SPAM 成功地基于给定的风格提示进行 grounding，因为它能够区分提示的不同语义。我们认为，SPAM 可以为评估合成语音的风格提示遵循度提供一个可行的自动解决方案。
引用
@article{arxiv.2601.05554,
title = {SPAM: Style Prompt Adherence Metric for Prompt-based TTS},
author = {Chanhee Cho and Nayeon Kim and Bugeun Kim},
journal= {arXiv preprint arXiv:2601.05554},
year = {2026}
}