016、语音合成评估体系：主观 MOS 分与客观声学指标

上周调一个长文本合成问题，凌晨三点耳机里循环播放着同一句话：“北京市海淀区中关村大街”。同事走过来拍了拍我：“你这句‘大街’怎么听着像‘大阶’？机器觉得没问题，人耳听着就是别扭。” 这句话点醒了我们——语音合成的评估，从来都是两条腿走路：机器测量的数字，和人耳听到的感受。

主观评估：MOS 分的实战意义

MOS（Mean Opinion Score）评分是我们项目周会必吵的内容。1到5分制看似简单，实际操作起来全是细节。我们内部评分时坚持三个原则：环境必须统一用降噪耳机、文本覆盖必须包含生僻字和数字串、评分人必须包含非技术背景的同事。

曾经吃过亏，早期只让算法团队自己评分，结果普遍在4.2以上；产品经理加入后，平均分直接掉到3.7。差异最大的地方在于“自然度”——工程师关注频谱是否干净，用户只关心“像不像真人说话时的停顿和气息”。

现在我们的MOS测试流程是这样的：随机抽20个句子，中文10句英文10句，涵盖新闻、对话、指令多种风格。每个句子由5人独立评分，去掉最高最低分取平均。关键是要记录评分人的具体反馈：“尾音上扬太刻意”“这个‘嗯’字发音像喉咙卡住了”——这些定性描述比分数更有调试价值。

客观指标：频谱图上的数字战场

客观指标是我们的自动化测试核心。几个关键指标每天在CI系统里跑：

# 声学特征提取的实用片段def