太好了。我现在已经掌握了全面的事实锚点。关键发现：

1. 完整论文文本：已从 arXiv HTML 获取 — 涵盖背景、方法（任务 1 和 2、忠实度审计）、结果（表 2-4）、结论的完整论文。
2. OMC Wiki：所有 4 次查询均无记录。
3. paper-wiki：发现 3 篇相关论文 — 2606.15888 (NVMOS), 2512.23808 (MiMo-Audio), 2604.08562 (Neural MOS prediction)。均非语音音系学评估。
4. free-search 发现：
   • 作者先前的论文：2407.06547 “Deciphering Assamese Vowel Harmony with Featural InfoWaveGAN”（同一团队，同一音系学现象）
   • 2604.25476 PSP：印度语系 TTS 口音基准测试（2026 年 4 月，同期发表）
   • 1912.10915 “探究汉语 TTS 模型中声调和音系知识”（2019 年）
   • Snk3I5AZGE “自监督模型是否学习了音系规则？阿萨姆语 ATR 和谐的证据”

现在，我将输出完整的结构化审稿。

论文审稿：迈向多语言 TTS 的音系学导向评估

论文类型: benchmark型（评测框架）

该论文提出了一个基于分类器的评测框架，用于审计 TTS 输出的音系学忠实度。它定义了一个评测视角（音系学忠实度），提出了一个两阶段诊断流程，并在单一语言/单一 TTS 系统上进行了演示。核心贡献在于评估方法论，而非新模型或新数据集，因此最契合 benchmark型。

公理审查结果

公理一：对象公理

• 判定: ⚠️
• 依据: 论文研究的对象是真实的：神经 TTS 系统可能在 MOS 上得分高，但系统性地破坏音系对立（特别是语法条件下的音系对比）。这一问题在低资源多语言 TTS 中确实存在，且具有语言学基础。MOS 无法检测音系中性化这一论点成立且有文献支持（maguer2024moslimits, kirkland2023stuck）。然而，问题的社区紧迫性有限：论文选择阿萨姆语 ATR 元音和谐作为唯一测试场景，这是一个仅约 1500 万使用者的语言，且仅测试一个 TTS 系统（MMS TTS）。作者自己也承认”评估了单一 TTS 系统在单一音系现象上的表现，且使用单一语言及小规模、类别不平衡的 TTS 数据集”。虽然多语言 TTS 评测是值得深耕的方向，但论文尚未证明该问题在当前多语言 TTS 中广泛存在——只展示了一个案例。对象可操作化定义清晰：phonological faithfulness 被明确定义为 TTS 输出是否保留了区分词义/语法的音系对比，ATR 通过 F1/B1 声学特征度量。概念没有发明模糊性。
• Wiki 证据: OMC Wiki 无记录。free-search 发现 2407.06547（同一作者团队先前的阿萨姆语 ATR 工作）和 Snk3I5AZGE（阿萨姆语 ATR 和谐在自监督模型中的探测），确认该音系现象是真实的研究对象，但已有同一团队的先前工作覆盖了类似领域。

公理二：识别公理

• 判定: ⚠️
• 依据: 论文使用了两个分类器（LR 和 RF）作为探测工具，并通过四方向交叉域迁移（H→H, H→TTS, TTS→TTS, TTS→H）来隔离域偏移与分类能力。这隔离了”人类语音上学到的映射是否迁移到合成语音”这一关键变量。然而，关键识别问题在于：7:1 的欠产出偏差是否真的是 TTS 的音系缺陷，还是分类器本身的偏置？ 论文部分回答了这个问题——人类数据上的对称错误率（0.091 vs 0.094）提供了分类器不确定性的基准。但 TTS 数据极度不平衡（199 [+ATR] vs 82 [-ATR]），且分类器在中元音 /e/ /o/ 上的准确率仅 66-69%，这意味着 7:1 偏差可能部分来自分类器在中元音 F1 边界附近的系统性误判，而非 TTS 的真实音系缺陷。论文缺少一个关键对照：用人工破坏了 ATR 对比的 TTS 输出（如手动修改 F1）来验证分类器是否真的能检测音系错误，还是只是在检测声学差异。没有最简 baseline（如直接比较 TTS 和人类语音的 F1 分布差异）与分类器结果对比。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 中 2604.08562（Neural MOS prediction）和 2606.15888（NVMOS）均为 TTS 评估工具，但未涉及音系评估。free-search 未找到使用分类器探测 TTS 音系忠实度的先前工作。

公理三：独立性公理

• 判定: ✅
• 依据: 评测框架的独立性较好。分类器在人类语音上训练，独立于 TTS 系统——TTS（Meta MMS）是一个第三方模型，训练数据与人类基准语料完全不同。评测没有使用 TTS 内部信息或训练数据。人类基准数据由 14 位母语者录制，与 TTS 输出独立。分类器的 ATR 标签基于语言学注释，不依赖 TTS 的 grapheme-to-phoneme 转换。唯一轻微的循环风险：TTS 输入文本的音系转录由作者完成，而评测也在检查 TTS 是否忠实于该转录——但这正是评测应有的逻辑，不是循环论证。
• Wiki 证据: OMC Wiki 无记录。论文明确说明分类器训练于人类数据，测试于 TTS 数据，judge（分类器）独立于被评测系统。

公理四：压缩公理

• 判定: ⚠️
• 依据: 方法本身相对简洁：logistic regression + random forest，7 个声学特征，两阶段 pipeline（元音级 ATR 分类 → 词级和谐分类）。没有不必要的模块或命名膨胀。但论文的”压缩价值”有限：它本质上是”用分类器探测 TTS 输出的声学特征是否符合人类语音模式”，这一思路在语音科学中并不新颖（probing classifiers 在语音模型分析中已有广泛应用，如 belinkov2019analysis, probing_phonology）。论文的新颖之处在于将其系统化为”faithfulness audit”并区分方向性误差（overgeneration vs underproduction），这是一个有用的概念重构，但不是深度压缩。两个分类器（LR 和 RF）给出不同结果但论文未深入解释为什么选择 LR 作为主要审计工具——RF 的高 H→TTS 迁移差距（90.5%→74.7%）实际上可能包含更丰富的诊断信息，但被简单归因于”学习了对说话人条件的决策边界”。
• Wiki 证据: OMC Wiki 无记录。free-search 发现 1912.10915（探测普通话 TTS 中的声调音系知识，2019）已使用类似探测分类器方法分析 TTS 模型的音系知识，但用于分析模型内部表示而非评估输出忠实度。论文的方法定位不同，但探测分类器范式本身不新。

公理五：效用公理

• 判定: ⚠️
• 依据: 效用证据有限。论文发现 MMS TTS 在 [+ATR] 中元音 /e/ /o/ 上有 ~33% 的误分类率（欠产出方向），这是一个有意义的诊断发现。但：(1) 仅评估了一个 TTS 系统（MMS TTS），无法说明该问题在其他 TTS 系统中是否存在；(2) TTS 数据集极小（281 元音 tokens，114 词），类别严重不平衡（199:82），统计功效受限——作者自己指出 /ɔ/ 只有 7 个 tokens，准确率估计不可靠；(3) 缺少与任何已有 TTS 评估方法的直接对比——没有展示该框架能发现 MOS/WER 遗漏的具体案例（如某个词在 MOS 上得分高但音系忠实度低）；(4) 框架声称”可推广到其他音系对比”，但未提供任何第二语言或第二音系现象的验证。对于 benchmark 型论文，证据标准应更严——单一系统、单一语言、单一音系现象的演示不足以确立框架的广泛效用。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 中 2604.08562 展示了 TTS 评估领域的活跃度（NeuralSBS, WhisperBert 等），但这些方法关注自然度/MOS 预测而非音系忠实度。free-search 发现 2604.25476（PSP: 印度语系 TTS 口音基准测试，2026年4月）是同期工作，也针对印度语系 TTS 的口音评估，但使用不同的评估维度。论文未与该同期工作对比。

公理六：新颖性公理

• 判定: ⚠️
• 依据: 核心方法（在人类语音上训练分类器，应用于 TTS 输出检测音系偏差）是探测分类器（probing classifier）范式在 TTS 评估中的应用。探测分类器分析语音模型的音系知识已有先例（belinkov2019analysis, probing_phonology, 1912.10915）。将这一方法从”分析模型内部表示”转向”评估输出忠实度”是一个视角转换，但不是方法创新。方向性误差分析（overgeneration vs underproduction）和 word-level harmony classification 是新的具体诊断设计。作者先前的工作 2407.06547（”Deciphering Assamese Vowel Harmony with Featural InfoWaveGAN”，2024）已经研究了阿萨姆语 ATR 和谐的声学特征和分类，这意味着音系现象、声学特征和分类方法在作者团队内部有直接的前身。论文没有引用或讨论这篇先前工作与新框架的关系。不过，将音系忠实度系统化为 TTS 评估维度、并提供可复制审计流程，在 TTS 评估文献中尚无完全等同的先例。
• Wiki 证据: OMC Wiki 无记录。paper-wiki 中未收录相关论文。free-search 确认作者团队先前工作 2407.06547 已涉及阿萨姆语 ATR 和谐分类，Snk3I5AZGE（OpenReview）也研究了阿萨姆语 ATR 和谐在语音模型中的表现。

公理七：可复现公理

• 判定: ✅
• 依据: 可复现性是本文的亮点。论文提供了 GitHub 代码和样本数据集（https://github.com/snehagitrep/TTSEvalVH_interspeech2026.git）。TTS 系统使用 Meta MMS TTS 的公开 checkpoint（facebook/mms-tts-asm on Hugging Face），使用固定随机种子确保确定性输出。人类基准数据的采集协议详细描述（14 位说话人，载体句，Praat 标注，FormantPro 提取，Lobanov 归一化）。分类器超参数完整（LR: L2, C=1.0, balanced, LBFGS；RF: 200 estimators, min_samples_leaf=5, balanced）。声学特征定义清晰（F1/F2/F3/B1/duration/height/backness）。异常值过滤规则明确。论文被 Interspeech 2026 接收，经过了同行评审。
• Wiki 证据: OMC Wiki 无记录。论文提供了完整代码、公开模型 checkpoint、详细协议，满足可复现标准。

日报摘要

• Strength: 提出基于分类器的 TTS 音系忠实度审计框架，在阿萨姆语 ATR 元音和谐上发现 MMS TTS 的 [+ATR] 中元音有 ~33% 被误判为 [-ATR]，7:1 欠产出偏差在人类语音中不存在，代码和数据完全开源。
• Weakness: 仅评估单一 TTS 系统、单一语言、单一音系现象，TTS 数据集仅 281 tokens 且类别严重不平衡，缺少与已有评估方法的直接对比和第二语言/现象的泛化验证。

总评

• 科学价值: 中 — 发现了一个真实的音系忠实度缺陷（MMS TTS 在阿萨姆语 ATR 中元音上的欠产出偏差），但证据基础狭窄，单一系统/语言/现象的演示不足以确立可靠的科学结论。
• 方法价值: 中 — 提出了可复制的两阶段审计流程（元音级分类 → 词级和谐分类 → 方向性误差分析），但探测分类器范式本身不新，且缺少与最简 baseline（直接 F1 分布比较）的对比。
• 社区价值: 中 — 为多语言 TTS 评估提供了一个有意义的补充维度（音系忠实度），但框架的广泛适用性尚未验证，且该问题目前仅对小语种 TTS 开发者有直接价值。

打分

加权总分: 5.6/10（加权分之和 56.5 / 权重之和 9.5） 最终建议: Borderline 5-6.5