新框架VoxReason：在语音合成前评估表达计划是否忠于来源文本
VoxReason提出一种无需听者的评估任务，在波形生成前检查语音系统的表达决策（如情感、音高、停顿）是否由引用的来源记录支持，用确定性验证器检测引用合法性与插槽一致性等问题。
AI解读：VoxReason要解决的痛点是：现在的语音系统在合成语音前，会先悄悄决定“这句话该怎么说”——带什么情感、哪里停顿、重音落在哪个词上。但这类决定对不对，通常只能等音频出来后人耳去听，而人耳很难判断这个表达是否忠于原始文本。论文团队设计了一个“免听者”的评估方法：在合成之前，让系统输出一份带引用的“说话计划”，再用一个确定性验证器去查它的引用是否合法、插槽内容是否与来源一致、有没有超出来源的断言。这样做有三个直接好处：对TTS研究者，可以把“表达是否忠实来源”拆成可自动打分、可复现的指标，而不是靠主观评测；对下游应用方，能在花钱跑合成和人工评测前就筛掉明显跑偏的系统。论文还指出，只看“插槽准确率”会被骗：一个靠查表到达100%准确率的对照模型，其实并没有真正理解来源。不过需要说明的是，这个版本没有评估最终合成的音频质量，所以它目前只适用于“合成前检查”，不能替代听感测试。
arXiv预印本论文提出VoxReason，这是一种针对“源头基于源文本的语音规划”的免听者评估任务，用于在语音合成前检查系统的表达决策是否由引用的源记录支撑。该方法由Mengzhe Geng等人提交，于2026年9月2日发布（arXiv:2609.03203）。