作者澄清，Open TTS排行榜使用ASR词错误率（WER）和说话人相似度等客观指标作为可懂度和语音身份保持性的代理指标，而非直接测量，并不取代人类偏好排序。
Eric Bezzam, Steven Zheng, Eustache Le Bihan, mrfakename ·
支持这项说法
Open TTS Leaderboard：多语言文本转语音与声音克隆的可扩展评估
重要的是，Open TTS Leaderboard 并不能取代人类偏好排名。基于 ASR 的 WER 仅为可懂度的代理指标，说话人相似度则用于估计声音身份的保留程度。两者均不直接衡量自然度、表现力或听者偏好。尽管如此，它们仍可为基于投票的排行榜提供参考，以确定应将哪些模型纳入其评估。
原始摘录
Importantly, the Open TTS Leaderboard does not replace human preference ranking. ASR-based WER provides a proxy for intelligibility, while speaker similarity estimates voice identity preservation. Neither directly measures naturalness, expressiveness, or listener preference. Nevertheless, they can even inform voting-based leaderboards which models to include in their evaluations.