M18 · 权重承接：基座初始化 + whisper 条件¶
| 状态 | ✅ 完成（2026-08-30）——基座先验兑现，λ=1.0 为项目当前最佳模型 |
| 一句话 | 与 M17 完全同架构同数据，唯一改动：双塔从基座 flow.pt 初始化——检验基座的语音纹理先验能否承接到新条件源上，治 M17 随机臂的"电音" |
| 上游 | ← M17 随机臂：内容萌芽（情感端 CER 0.43–0.76）但 MOS 死在 1.25（谱纹理缺失，25h 数据从零学不出）· 用户对"基座会不会锁死在原 codec 条件"的疑虑 → 零步验证 |
| 对照 | M17 随机臂（唯一变量 = 初始化）· M16 |
TL;DR¶
基座初始化兑现 + λ 消融首次出现正向效应。
- ✅ 基座 vs 随机（同架构同数据同步数）：MOS 1.28→1.98、delta 0.481→0.911、 CER 0.801→0.410——电音由纹理先验治愈，与零步验证预测一致
- 🔍 λ=1.0 全面优于 λ=0.1：delta 0.75→0.91、CER 0.48→0.41、α=5 外推 CER 0.61→0.21； 训练侧剂量响应清晰（L_ortho 0.183→0.099、cos_A_B −0.32→−0.22）—— λ_ortho 在本架构下首次与下游改善同向（此前 M11a/M13/M14 四代零结果；n=1 种子，谨慎读）
- ⚠️ 两个遗留：中段 α（0.25–0.5）MOS 谷 1.35–1.60；α=0 中立化 CER 仍 1.0–1.24 （乱说复现——M17 §3.1 预注册的 DTW 后备臂触发条件成立）
- MOS@α=0 轨迹三臂全程单调可比（图 §3），40k 终点仍在上行——未收敛，可续
1 与 M17 的差异（仅此两处；预热方案经用户决定取消，全程联训）¶
| M17（随机臂） | M18 | |
|---|---|---|
| DiT_A / DiT_B 初始化 | 随机重置 | 基座 flow.pt |
| spk 线性层 | 随机 | 基座 spk_embed_affine_layer 权重 |
其余全部不变：whisper 条件、均匀 R3 中立目标、x_α 混合、 DDP 8×1、40k 步、每 10k ckpt、10k/20k/30k 中途评测、α 网格 {0,0.25,0.5,0.75,1,1.5,5}。
λ_ortho 消融（用户指定，链式两臂）：λ=0.1（outputs/m18/）跑完自动接
λ=1.0（outputs/m18_l10/），其余参数逐项相同——回应"双塔没分很开"的观察
（M17 随机臂 cos_A_B 稳在 −0.34、L_ortho 无下行）。
2 零步验证¶
基座双塔 + 随机 adapter（一步未训）直接推理两条：
| 组 | 音频 |
|---|---|
0010_text00310/Angry |
|
0002_text00120/Sad |
读法：adapter 随机 → 内容必然是糊的；判据只有一条——输出是"语音质感的糊" （谐波、共振峰、呼吸感 → 纹理先验穿透 ✅）还是 M17 随机臂那种电音蜂鸣（❌）。 用户听感判定（2026-08-29）：第一条（Angry，2.2s）有点电音；第二条（Sad，5.3s）无电音、质感不错 —— 纹理先验穿透 ✅，验证通过，M18 开训。
3 结果¶
🎧 M18 音频全量对照（三臂 × 84 + 12 条输入原音频，α 含 5 外推）
3.1 三臂终点主表（P6 12 组 × 7 α）¶
| 臂 | delta | CER 总 | MOS | MOS@α=0 | MOS@α=1 | CER@α=1 | CER@α=5 |
|---|---|---|---|---|---|---|---|
| M17 随机 | 0.481 | 0.801 | 1.28 | 1.28 | 1.33 | 0.40 | 0.89 |
| M18 λ=0.1 | 0.750 | 0.482 | 1.90 | 2.81 | 2.55 | 0.14 | 0.61 |
| M18 λ=1.0 | 0.911 | 0.410 | 1.98 | 2.77 | 2.81 | 0.11 | 0.21 |
按 α 分层（λ=1.0）：MOS 0:2.77 0.25:1.60 0.5:1.37 0.75:2.00 1:2.81 1.5:2.02 5:1.27；
CER 0:1.24 0.25:0.94 0.5:0.20 0.75:0.07 1:0.11 1.5:0.10 5:0.21。
3.2 λ 消融读数¶
| λ=0.1 | λ=1.0 | |
|---|---|---|
| L_ortho 末50 | 0.183 | 0.099 |
| cos_A_B 末50 | −0.324 | −0.224 |
| L_A / L_B 末50 | 0.710 / 1.043 | 0.715 / 1.067（重建代价 ≈0） |
| 下游 delta / CER | 0.750 / 0.482 | 0.911 / 0.410 |
| α=5 外推 CER | 0.61 | 0.21 |
首次观察到 λ_ortho 与下游改善同向（尤其外推稳健性 3×）——与 M11a/M13/M14 四代零结果相反。可能的差异来源：本架构的 A=v_A−v_B 是"同条件双网之差"且从零分化， 正则参与了分工的形成而非事后修剪。⚠️ n=1 种子单次对照，结论限"值得重复验证"。
3.3 探针 cos(A, x1_emo−x1_neu)（held-out 300，t=0.1/0.5/0.9 中位）¶
| λ=0.1 | λ=1.0 | 参照：M14 双条件 | |
|---|---|---|---|
| cos | 0.76 / 0.88 / 0.89 | 0.74 / 0.88 / 0.89 | 0.90 / 0.93 / 0.95 |
| ‖A‖/‖GT‖ | 0.75 / 0.90 / 0.89 | 0.73 / 0.89 / 0.92 | 0.92–1.02 |
A 方向已学到真值残差的 ~0.89（两 λ 无差），尚低于 M14 的 0.93。
4 结论¶
| 项 | 结论 |
|---|---|
| 基座先验 | ✅ 决定性：同配置下随机 vs 基座 = MOS 1.28 vs 1.98——零步验证的预测兑现；音频到音频编辑架构自此可用 |
| λ_ortho | 🔍 首次正向（delta +0.16、外推 CER 3× 改善），待重复种子确认；后续默认 λ=1.0 |
| 中立化（α=0） | ⚠️ MOS 2.8 但 CER ~1.0——"像人话但说不对"，与均匀 R3 目标错位假设一致 → DTW 后备臂触发条件成立，待用户决定 |
| 中段谷（α 0.25–0.5） | ⚠️ 仍在（MOS ~1.4–1.6）——双塔在中段的插值行为待查（x_α 训练分布覆盖了，但输出仍塌） |
| 训练量 | 40k 终点 MOS 轨迹仍上行——未收敛，值得续 |