MOS 是什么：语音合成的主观评分怎么打

2026-08-24

MOS 是 Mean Opinion Score 的缩写，指一群听众按 1 到 5 分给语音样本逐条打分之后取的平均值——它衡量的是人耳的主观感受，不是机器算出来的客观量。

语音合成是否”好听”，最后只能由人来判定。但主观评分这把尺子本身会变形：同一段音频，换一批听众、换一套样本、换一副耳机，就可能得到不一样的分数。理解这一点，比记住任何一个分数都重要。

MOS 到底在测什么

一次标准的 MOS 测试大致是这样跑的：

准备一批待评样本，通常来自多个待比较的系统；
招募听众，说明打分标准；
听众逐条听、逐条打分，量表是 1 到 5，5 最好；
把所有分数取平均，得到每个系统的 MOS。

题面决定了这个分数的含义。“自然度”（听起来像不像真人）、“可懂度”（能不能听清内容）、“音质”（有没有杂音和失真）是三件不同的事。同一批音频，问法换了，排序也可能跟着换。所以报告 MOS 时必须写清听众被要求评什么。

为什么这件事非用人不可？因为语音”像机器”的那些毛病——韵律平、该停不停、听感发闷、语气与内容打架——大多发生在感知层面，机器指标很难直接量化。详见语音合成为什么听起来像机器。

还要注意，MOS 只评听感。合成速度、首包延迟这类工程指标不在它的评价范围内，那是另一套账，见流式合成与首包延迟。

最核心的一点：MOS 是相对值，不是绝对值

这是关于 MOS 最重要、也最容易被误读的一句话。

人的心里没有”4 分的绝对听感”这种东西。 听众打分靠的是对比校准：听完前几条，心里先建立一个大致的参照系，后面的样本再往这个尺子上放。有对比才有高低。

由此带来一个直接后果：同一条音频，放进一批整体较差的样本里，容易得高分；放进一批整体很好的样本里，可能得低分。 音频没变，分数变了，变的是它周围的邻居。

除了样本组成，还有一串条件会同时改变分数刻度：

变量	怎么影响分数
听众群体	从业者听得出细节、要求苛刻；普通用户更宽松
听音设备	手机外放、廉价耳机、监听耳机能听出的瑕疵完全不同
测试语料	短句朗读比长段落、专名密集文本容易得高分
题面措辞	问”自然度”和问”你愿不愿意听完”，答案不一样
批次与时间	不同轮次的听众打分习惯本身就有偏移

所以，不同论文、不同报告之间的 MOS 不能横向对比。 看到两篇文章各报一个 MOS 就把它们排个名次，这个比较从一开始就不成立——两把尺子的刻度不一样，谁也不知道差多少。

MOS 唯一可靠的用法是：在同一次测试内部，比较同时参评的几个系统。 出了这次测试的边界，数字就失去了参照。

识别侧有完全同构的问题，同样是”数字看着好、场景一换就崩”，机制可以对照着读：识别准确率被高估的三种常见情况。

CMOS 和 SMOS：什么时候该换一把尺子

MOS 有两个常用变体，各自补上了绝对打分的短板。

	打法	输出	适合的场景
MOS	逐条听、给绝对分	1-5 的平均分	系统之间差距明显，需要一个总体水平判断
CMOS	两两对比，给偏好差值	带正负号的偏好量，正表示 A 好、负表示 B 好	两个系统差距很小
SMOS	听参考音频和合成音频，评相似度	相似度评分	评价克隆出的音色像不像本人

CMOS 的价值在于灵敏度。 当两个系统已经很接近时，让听众各打一个绝对分，往往两边都落在差不多的位置，真实差异被打分噪声淹没，看不出来。而把两条音频放在一起直接问”哪个更好、好多少”，人的判断能力要强得多——人擅长比较，不擅长估值。所以做小步迭代、验证一次改动是否有收益时，CMOS 通常比 MOS 更合适。

SMOS 评的是另一个维度：不是好不好听，而是像不像。合成音听着很自然但音色跟目标人对不上，自然度分可以很高、相似度分依然很低。做声音克隆必须两个分一起看，机制见声音克隆是怎么做到的。

做一次可信的 MOS 测试：操作清单

主观评测最怕的不是分数难看，而是分数不可信。下面这套流程逐条都对应一个真实会犯的错。

先定题面。 明确评什么、量表每一档的语言描述是什么，并把这段说明原样写进报告。
语料要有代表性。 别只挑短句和好读的句子。把长段落、数字、专名、中英混排都放进去，这些恰恰是前端最容易出错的地方，见三段流水线。
听众要够多。 人少时，个别人的打分习惯就能左右整体均值。
随机化呈现顺序。 每个听众看到的样本顺序都要独立打乱。固定顺序会引入顺序效应——排在前面的样本承担了”建立参照系”的角色，处境和后面的不一样。
不要告诉听众样本来自哪个系统。 知道来源就会带预期。
加入锚点样本。 这条最容易被省掉，也最关键，下面单独说。
剔除不认真的听众。 典型信号：整份问卷打同一个分、答题时间短到不可能听完、锚点打反。剔除规则要事先定好并写进报告，不能看完结果再挑。
统一听音条件。 耳机型号、音量、环境噪声尽量一致；做不到统一，至少要记录下来并在报告里说明。
条件随分数一起公布。 听众人数与构成、语料来源、设备、剔除规则——缺了这些，分数无法被别人正确解读。

锚点样本为什么是必需品

锚点是一组已知好、已知差的参考音频，混在待评样本里一起打分。 好锚点通常用真人录音，差锚点用明显带瑕疵的音频。

它解决的是尺度问题。没有锚点，你根本不知道这批听众的尺子是松还是紧。 有人再好也不给满分，有人听着顺就顶格打。只看待评系统的分数，无从分辨”分数低”是系统差还是这批人严格。

锚点提供了参照系，作用有三个：

校准尺度——看锚点落在哪，就知道这批听众整体偏松还是偏紧；
跨批次对齐——不同轮次用同一组锚点，才有机会把两次结果放在一起看；
验数据质量——如果好锚点没显著高于差锚点，说明这批数据本身有问题，待评系统的分数一概不能用。

主观评测很贵，所以不能天天做

MOS 的成本是实打实的：要招人、要组织、要控制听音条件、要清洗数据，跑一轮的周期远长于跑一次训练。这决定了它不可能进日常迭代的循环。

实际做法是分层的：

日常迭代用客观指标做回归筛查，卡住明显的退化；
关键节点——版本定稿、方案选型、对外发布前——才组织一次正式的主观评测。

客观指标便宜、可自动化、能天天跑，但它们衡量的东西各有边界，没有哪一个能完全替代人耳。哪些客观指标测什么、边界在哪，见语音合成的客观指标。

常见问题

问：听众应该找专业人士还是普通用户？

看你要回答什么问题。要发现细微瑕疵，从业者更敏感；要预判上线后的口碑，普通用户更贴近真实。两类人的绝对分不可混用，关键是全程只用一类，并在报告里写明。

问：我们团队自己的 MOS 能跨时间对比历史成绩吗？

默认不能，除非从一开始就固定了锚点、语料和题面。哪怕是同一个团队，隔了半年、换了一批听众，两个数字之间的差可能全部来自尺度漂移。想要可比，就得让锚点一路不变。

问：只有很少人手，还能做有意义的评测吗？

能，但要换方法。人手不足时，与其勉强做一次听众不够的 MOS，不如做 CMOS 式的两两对比：只问”A 和 B 哪个更好”，判断更稳、所需样本量更小，也更贴合”这次改动有没有收益”这个实际问题。同时务必保留锚点和随机化，这两条省不得。