这个 TTS 模型好吗？

Cartesia 发文拆解 TTS 模型评测为何困难：语音合成是"一对多"映射，同一句文本可对应兴奋、愤怒、悲伤、讽刺等多种正确读法。WER 虽是最常用指标，但会随可懂度提升而饱和，且受 ASR 质量牵制，难以区分感知质量差异。此外还需评估上下文正确性（如 read、lead、Polish 等多音词）与文本规范化（如 "$1.05"、"3/4"、"IV"）等层面的错误。