AI 音色的评估维度：为什么听感不等于质量

“这个声音听起来不错”，是音色评估中最难处理的反馈。

好听是一个主观判断，但音色适配是一个可以被拆解的问题。在 Vocalune 内部，我们把音色评估分成三个维度：声学参数、情绪覆盖范围、和题材适配度。

维度一：声学参数

基础的声学参数包括：采样率、频谱稳定性、自然噪底。这些是客观的，可以通过工具量化。但声学参数高不代表音色”好用”——一个频谱极其干净的音色，在连续长文里可能听起来反而机械。

维度二：情绪覆盖范围

情绪覆盖是指：这个音色能稳定驾驭多少种情绪标注？

我们在内部测试集上，给每个音色打了大约 20 种情绪标注的样本，再评估稳定性。部分音色在”中性叙述”和”平静”上表现一致，但一旦进入”愤怒”或”悲伤”，生成质量就明显抖动。

维度三：题材适配度

这是最难量化的维度。都市情感剧需要音色具备细腻的日常感，历史剧需要一定的厚重质地，科幻剧则对”未来感”有要求——这些判断很大程度上来自创作者的直觉，而非可计算的特征。

我们目前的做法是：通过聆川（Luna Agent）在审听时收集创作者的显式评分，用来反向调整音色的题材标签分布。

局限性

这套框架对有明确风格的题材（如武侠、都市）有效，但对边界模糊的题材（如魔幻现实主义）仍然缺乏鉴别力。这是一个尚未解决的开放问题。