M21-E8 · 分段 α：强度能不能按时间定位¶
| 状态 | ✅ 完成（二轮重做，2026-09-05） |
| 一句话 | 前半句和后半句给不同的 α，检验三件事：GT 里情感在句子里怎么分布、生成的强度是否落在 α 指定的位置、分段相对同均值单段有没有额外代价 |
| 模型 | M20@420k |
| 规模 | GT 统计 21,301 对；生成 160 条 × 8 组合 = 1280 条，对照取自 E4 同批直路输出 |
TL;DR¶
分段 α 的时间定位是精确的：每半句的强度 ≈ 该半句 α 对应的整句强度，无串扰。 但分段本身有 0.04–0.35 的 UTMOS 代价（相对两半各自单段的平均），CER 无额外代价。
- 📊 GT（2.1 万对）：情感残差在句子里前段略多（前半 52.8%），最后 1/4 明显最少（0.17–0.20，均匀应为 0.25）——"情感在句末更强"不成立
- ✅ (0,1) 组合：前半 RA 0.08、后半 0.89；(1,0)：0.96 / −0.06——强度落在 α 指定的那一半
- ⚠️ 同均值下分段的 UTMOS 收益（+0.25 ~ +0.77 vs 单段 0.5）全部来自避开中段谷：把 0.75 拆成 (0.5, 1.0) 反而 −0.25
- 🔍 分段有代价：观测 UTMOS 比"两半单段平均"低 0.04–0.35，前弱后强时代价最大；CER 无差（+0.00 ~ +0.06）
1 评测设计¶
| 项 | 值 |
|---|---|
| GT 统计 | data/m20_cache 全部 21,301 对 x1_emo − x1_neu，逐帧残差能量按 1/2 与 1/4 分段求占比 |
| 生成 | 逐帧 α 张量：前半帧 α_front、后半帧 α_back，直路积分；同 seed、同声码器（16 kHz） |
| 组合 | 均值 0.5：(0,1) (0.25,0.75) (0.5,0.5) (0.75,0.25) (1,0)；均值 0.75：(0.5,1) (1,0.5) (0.75,0.75) |
| 对照 | 同批 E4 的单段 direct α=0.5 / 0.75 与 pa_clamp α=0.5 / 0.75 |
| 自检 | (0.5,0.5) 与 (0.75,0.75) 必须与单段 α=0.5 / 0.75 逐条相同 |
| 指标 | E4 §1 质量评分体系；RA 另对前半 / 后半音频分别打分 |
| 可加性 | 分段结果 − 两半各自单段 α 整句值的平均（同条配对） |
自检通过：(0.75,0.75) 与单段 α=0.75 的 UTMOS 逐条差为 0.0000（n=160）。逐帧 α 路径与标量路径一致。
2 结果¶
2.1 GT：情感在句子里怎么分布¶
| 情感 | n | 前 1/4 | 2/4 | 3/4 | 后 1/4 | 前半占比 |
|---|---|---|---|---|---|---|
| Angry | 5534 | 0.242 | 0.289 | 0.296 | 0.173 | 0.531 |
| Happy | 5437 | 0.270 | 0.275 | 0.275 | 0.181 | 0.545 |
| Sad | 4812 | 0.270 | 0.276 | 0.267 | 0.187 | 0.546 |
| Surprise | 5518 | 0.240 | 0.269 | 0.291 | 0.201 | 0.509 |
| 合计 | 21301 | 0.528（中位 0.526；后半更强的样本 39.1%） |
四种情感一致：残差在中段最多、最后 1/4 最少（比均匀低 20–30%）。首轮 n=200 的 0.529 / 37% 与此完全一致。
2.2 强度是否落在 α 指定的位置¶
| (前 α, 后 α) | RA 前半 | RA 后半 | 参照：整句单段 α 的 RA |
|---|---|---|---|
| (0.00, 1.00) | 0.08 | 0.89 | α=0 → 0.09 · α=1 → 1.00 |
| (0.25, 0.75) | 0.22 | 0.75 | α=0.25 → 0.24 · α=0.75 → 0.80 |
| (0.50, 0.50) | 0.59 | 0.54 | α=0.5 → 0.58 |
| (0.75, 0.25) | 0.84 | 0.13 | |
| (1.00, 0.00) | 0.96 | −0.06 | |
| (0.50, 1.00) | 0.54 | 0.99 | |
| (1.00, 0.50) | 1.00 | 0.50 |
每半句的 RA 与"该 α 作用于整句"的 RA 相差 ≤ 0.1 ⇒ 控制是局部的：一半的 α 不泄漏到另一半。 半句 RA 的标准误约 0.05；半句 eGeMAPS 比整句噪一些，但足够分辨。
2.3 分段的质量代价¶
| 组合 | UTMOS | CER | vs 同均值单段 direct（配对 ΔUTMOS） | vs 两半单段平均（ΔUTMOS / ΔCER） |
|---|---|---|---|---|
| (0.00, 1.00) | 2.27 | 0.159 | +0.66 (vs 0.5) | −0.35 / +0.03 |
| (0.25, 0.75) | 1.86 | 0.106 | +0.25 | −0.19 / +0.01 |
| (0.75, 0.25) | 2.01 | 0.127 | +0.40 | −0.04 / +0.03 |
| (1.00, 0.00) | 2.38 | 0.188 | +0.77 | −0.24 / +0.06 |
| (0.50, 1.00) | 1.92 | 0.063 | −0.25 (vs 0.75) | −0.22 / +0.00 |
| (1.00, 0.50) | 2.05 | 0.064 | −0.12 | −0.09 / +0.00 |
| 对照 direct 0.5 / 0.75 | 1.61 / 2.17 | 0.080 / 0.042 | ||
| 对照 pa_clamp 0.5 / 0.75 | 2.08 / 2.16 | 0.147 / 0.088 | +0.47 / −0.01 |
全部配对差 p < 0.001（除标注外）。
两层读法
- 同均值比较：均值 0.5 的分段都比单段 0.5 好——但单段音高对齐（+0.47）也一样好， 而均值 0.75 的分段比单段 0.75 差。⇒ 收益不是分段带来的，是避开了 α=0.5 的谷； 一旦拆出来的某一半落进谷里（(0.5, 1.0)），就亏
- 可加性比较：把分段与"两半各自单段的平均"比，UTMOS 一律偏低 0.04–0.35， 前弱后强的组合代价最大（(0,1) −0.35，(0.25,0.75) −0.19），前强后弱几乎无代价（(0.75,0.25) −0.04）。 CER 无额外代价（≤ +0.06，且与两半 CER 的平均一致）⇒ 分界处没有产生新的内容错误
2.4 看图：分段 α 的 mel 谱¶
补充实验 S3（提案待验收）。
两条样本（生气 0008_text00040、悲伤 0006_text00210，取分段效果最清楚且 α=0 可懂的），每条六行：真实中立录音、直路 α=0、直路 α=1、
分段 (前 0, 后 1)、分段 (前 1, 后 0)、直路 α=0.5 均匀对照。白虚线是句中点；右上角是该条前/后半的 RA。
- 分段 (0, 1)：白线左边的谐波结构、能量分布与 α=0 那行一致，右边与 α=1 那行一致；RA 前/后 −0.61 / 0.99（生气）、−0.50 / 0.71（悲伤）
- 分段 (1, 0)：镜像；RA 0.57 / −0.92、1.15 / −0.05
- 均匀 α=0.5：整句处于两者之间，谐波"发虚"（中段谷的双梳齿），RA 前后半相近（0.34 / 0.59、0.51 / 0.65）
- 分界处没有可见的断裂或爆音，与 §2.3 "分界不引入额外 CER" 一致
全量复核（M21-F，2026-09-10）
汇总页 补充 S7（提案待验收，验收后回填）。
全量 1276 条 × 8 组合（M21-F）。图 m21_e8_seg_full.png。自检 (0.75,0.75) ≡ 直路 0.75：n=1276，|ΔUTMOS| = 0.0000。
| 组合 | RA 前半 / 后半 | UTMOS | vs 同均值单段（ΔUTMOS） | 可加性（ΔUTMOS / ΔCER） |
|---|---|---|---|---|
| (0.00, 1.00) | 0.08 / 0.83 | 2.25 | +0.64 | -0.36 / +0.024 |
| (0.25, 0.75) | 0.23 / 0.72 | 1.83 | +0.22 | -0.19 / +0.013 |
| (0.75, 0.25) | 0.79 / 0.08 | 1.96 | +0.35 | -0.06 / +0.027 |
| (1.00, 0.00) | 0.89 / -0.10 | 2.35 | +0.74 | -0.26 / +0.050 |
| (0.50, 1.00) | 0.52 / 0.89 | 1.89 | -0.26 | -0.25 / +0.001 |
| (1.00, 0.50) | 0.94 / 0.43 | 2.06 | -0.10 | -0.08 / +0.004 |
时间定位、避谷解释、可加性三条结论与 160 条版完全一致，数字差在 0.03 以内。
3 结论¶
| 项 | 结论 |
|---|---|
| 自然强度包络 | 前半略多（52.8%），句尾 1/4 最少；四情感一致；n=21,301 |
| 时间定位 | ✅ 精确：半句 RA ≈ 对应 α 的整句 RA，误差 ≤ 0.1，无串扰 |
| 分段收益 | ⚠️ UTMOS 收益全部来自避谷；分段本身有 0.04–0.35 代价（前弱后强最大） |
| 内容 | ✅ 分界不引入额外 CER |
| 用法建议 | 分段 α 是表达工具（把强度放在想放的位置），不是音质工具；两半都应落在 E4 可用区间内 |
4 复现¶
source scripts/env.sh
$PY emo/exp/M17_editor/m21_e8_gt.py # GT 21301 对（CPU）
for s in 0 1; do CUDA_VISIBLE_DEVICES=$((s+4)) $PY emo/exp/M17_editor/m21_e8_gen.py --shard $s --nshard 2 & done; wait
bash emo/exp/M17_editor/run_m21v2_score.sh e8v2 4 5 # 含 --halves
$PY emo/exp/M17_editor/m21_e8_analyze.py
订正记录（2026-09-05）
首轮（P6 11 条，24 kHz）的五组合表与"情感分"（emotion2vec）已废； 结论方向一致（前段略强、收益来自避谷），本轮补上时间定位的直接证据、可加性检验与均值 0.75 的对照。