论文页面 - 多场景长语音生成的综合基准测试

来源：https://huggingface.co/papers/2605.28618 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

最近，语音生成领域的进展使得高保真合成成为可能，然而，对模型在长上下文条件下的系统性评估仍然很大程度上未被探索。建立一个针对长语音的综合评估基准至关重要，原因有二：1）现有的测试场景通常局限于有限的领域，与多样化的下游应用之间存在显著差距；2）现有指标忽视了诸如一致性和连贯性等关键长文本因素，无法可靠地泛化。为此，我们提出了Swanbench-Speech，一个将长语音质量分解为具体、解耦维度的综合基准。SwanBench-Speech具有三个关键特性。1）丰富的语音场景：专注于长语音生成和对话生成，SwanBench-Speech涵盖声学、语义和表现力挑战，包含1,101个样本，跨越17个常见语音场景；2）全面的评估维度：沿着声学、语义和表现力轴线，SwanBench-Speech定义了一个包含七个指标的自动评估协议，以提供全面、准确和标准化的评估；3）有价值的见解：通过大量实验，我们发现当前模型在高表现力场景中仍然困难，并且在与真实录音相比时，在一致性和层次性方面表现出显著差距。

查看arXiv页面 (https://arxiv.org/abs/2605.28618)查看PDF (https://arxiv.org/pdf/2605.28618)项目页面 (https://swanaigc.github.io//#bench)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.28618)

在你的代理中获取本论文：

hf papers read 2605\.28618

没有最新的CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本论文的模型0

没有模型链接本论文

在模型README.md中引用arxiv.org/abs/2605.28618以从本页面链接。

引用本论文的数据集0

没有数据集链接本论文

在数据集README.md中引用arxiv.org/abs/2605.28618以从本页面链接。

引用本论文的Spaces0

没有Space链接本论文

在Space README.md中引用arxiv.org/abs/2605.28618以从本页面链接。

包含本论文的收藏0

没有收藏包含本论文

将本论文添加到一个收藏 (https://huggingface.co/new-collection) 以从本页面链接。