音频感知大语言模型作为语音风格评判者

音频感知大型语言模型（ALLMs）能够理解音频输入中的文本和非文本信息。在本文中，我们探索使用 ALLMs 作为自动评判者来评估语音的说话风格。我们使用 ALLM 评判者来评估 SLM 在两项任务中生成的语音：语音风格指令遵循和角色扮演。我们考虑的说话风格包括情感、音量、语速、词语重音、音高控制以及非语言元素。我们使用四种口语语言模型（SLMs）来完成这两项任务，并使用人类和 ALLMs 来评估 SLM 的回应。我们将 GPT-4o-audio 和 Gemini-2.5-pro 这两种 ALLM 评判者与人类评估结果进行比较，结果表明 Gemini 与人类评判者之间的一致性与人类评估者之间的一致性相当。这些有前景的结果表明 ALLMs 可以用作评估 SLM 的评判者。我们的结果还揭示，当前的 SLMs，即使是 GPT-4o-audio，在控制说话风格和生成自然对话方面仍有改进空间。