在零-shot文本到语音（TTS）中，最佳的选择法（Best-of-$N$，BoN）通过从$N$个候选中选择，并利用自动语音识别（ASR）验证器来提高内容一致性。然而，我们发现一个未被充分探讨的评估混淆因素：验证器的质量在很大程度上依赖于哪个ASR家族来评判它。
在LibriSpeech-PC test-clean数据集上，使用F5-TTS时，验证器的排名在Whisper、wav2vec~2.0和HuBERT评估器之间发生了逆转。同一家族的验证器-评估器对比跨家族对比恢复了2-3倍的oracle潜力，尽管它们的表示几乎相同（线性CKA为$0.978$）。这种模式表明了身份或谱系级别的耦合，而不是表示重叠。
我们提出了两种交叉家族排名集成方法（rank-averaging和conjunctive max-rank），在三个独立评估器中达到了最低的平均字错误率（WER）——在$N{=}10$时为$1.61\%$（相对F5-TTS减少$12\%$），且在自动SIM-o/UTMOS指标下没有可测量的退化。最佳单一验证器使WER从$2.06\%$降低到$1.72\%$（减少$16.5\%$），在官方F5-TTS评估器下表现显著。我们建议采用交叉评估者三角测量作为默认报告实践。
博主点评： 本文揭示了TTS评估中ASR家族的影响，强调了验证器与评估器之间的匹配重要性。提出的交叉家族排名集成方法显著降低了错误率，展示了多评估者策略在提升TTS系统性能中的潜力。对于研究者来说，交叉评估者的使用将有助于提供更可靠的结果。