MOS（Mean Opinion Score，平均意见得分）是让真人听音频、按 1～5 分打分再取平均的主观评测方法。它来自电话时代，原本只回答"声音听着清不清楚"，如今被大量借来评价语音合成和音色克隆。
打分表通常是五档，从 5 很好到 1 很差；一批听测者各自独立打分，最后取平均。它直观、不依赖模型，长期是语音质量评测的通用货币。
可以把 MOS 想成餐厅的五星好评：总分能说明"这家大概不错"，却看不出菜好不好吃、服务怎么样、环境吵不吵。两家店同样 4.5 分，一家可能菜好服务差，另一家菜一般但环境舒服。想改进，需要的不是总分，而是分项。
到了生成式语音时代，这把老尺子有三处力不从心。
第一，分数容易顶到天花板。MOS 原本是用来区分"有没有编码损伤、听不听得清"的，当年的音频多在中间分数段，区分度很好；现在神经语音合成在清晰度上普遍接近真人，大家都挤在高分区，差异被压进噪声里，测了约等于没测。
第二，一个分数装不下太多维度。用户关心的早就不只是"好不好听"：音色像不像目标说话人、情感语气对不对、韵律有没有机械感、数字和多音字念得对不对。这些混成一个平均值后，A 模型的"像"和 B 模型的"自然"变成同一个数字，没法指路。
第三，平均会掩盖分布。一百句话九十九句好，一句把关键数字念错，平均分可能照样漂亮，但用户只记得那一句。客服、导航、有声书这类场景，尾部错误的杀伤力远大于平均分的小幅提升。
方法上的区别大致如下：
| 方法 | 怎么测 | 适合回答什么 |
|---|---|---|
| MOS | 每人绝对打分，再取平均 | 整体"好不好" |
| CMOS | 听两段，选更好的一段 | 两个系统谁更好 |
| SMOS | 只对"音色相似度"打分 | 克隆得像不像 |
| 客观/预测指标 | 用算法预测一个 MOS 值 | 快速回归，但只是 MOS 的影子 |
后三类其实都是给 MOS 打补丁：CMOS 解决绝对标尺不稳，SMOS 解决维度混杂，客观指标解决速度慢；但它们的学习目标仍是 MOS，也就继承了对老任务的假设。
对从业者，别把单个 MOS 当结论：拆开维度、多用成对比较、单独统计长尾错误，并写清测试文本、听测人群和场景。对普通人，看到宣传里的一个高分，可以多问一句"谁听的、听的是什么"。口径不清的分数，参考价值有限；具体做法以官方评测说明为准。