S6 · λ 消融：中段强度与基础指标
|
|
| 批次 / 日期 |
第二批 · 笔记 5（09-09）："lambda 消融的话，加上 RA@alpha=0.5 的结果……看看 lambda 消融对 RA@alpha=0.5 的影响"；09-11："不止是测 lambda 对 RA 这个简单的影响，还要有基础的 cer，音质，音色等等" |
| 延续自 |
M22：λ ∈ {0, 1, 2, 5} @100k |
| 状态 |
✅ 完成（2026-09-11 回填） |
1 目的与用法
目的：正交正则权重 λ 对旋钮的影响——中段（α=0.5）的强度，以及每一档的音质、内容、音色。
在论文里怎么用：消融表。一张表回答"λ 该不该有、该取多少"。
2 数据与模型
| 项 |
值 |
| 模型（4 条，同配置只改 λ） |
λ = 0 / 2 / 5：M22 各从基座训 100k；λ = 1：M20 @100k（主线同一段） |
| 评测样本 |
ESD-zh test 随机 160 条（四情感各 40，10 位说话人，seed 0；与 E4 二轮同一批） |
| 生成 |
直路，α ∈ |
| 锚点 |
同 160 条的真实中立 / 真实情感录音 |
3 指标
| 指标 |
测什么 |
出处 |
| RA（归一） |
情感强度：0 = 真实中立均值，1 = 真实情感均值 |
E2 |
| UTMOS ↑ |
音质 |
UTMOS22 |
| CER ↓ |
内容 |
Paraformer-zh |
| SECS ↑ |
音色（与输入说话人的相似度） |
WavLM-base-plus-sv |
| 配对差 vs λ=1 |
同一条音频两模型之差，配对 t 检验 |
— |
4 产物与结果
m22_gen.py → m21_score.py / m21_ra.py → m22_analyze.py → outputs/m22_eval/analysis.json（n = 160/格）
RA（情感强度）
| λ |
α=0 |
α=0.5 |
α=1 |
α=1.5 |
| 0 |
0.008 |
0.651 |
1.126 |
1.639 |
| 1（主线） |
0.080 |
0.646 |
1.041 |
1.548 |
| 2 |
0.166 |
0.681 |
1.066 |
1.492 |
| 5 |
0.213 |
0.669 |
0.946 |
1.245 |
| 真实录音锚点 |
中立 0.08 |
— |
情感 1.03 |
— |
UTMOS（音质）
| λ |
α=0 |
α=0.5 |
α=1 |
α=1.5 |
| 0 |
1.93 |
1.61 |
2.68 |
2.47 |
| 1 |
1.91 |
1.60 |
2.29 |
2.07 |
| 2 |
2.01 |
1.61 |
2.31 |
2.09 |
| 5 |
2.12 |
1.62 |
2.27 |
2.23 |
CER（内容）
| λ |
α=0 |
α=0.5 |
α=1 |
α=1.5 |
| 0 |
0.380 |
0.099 |
0.057 |
0.059 |
| 1 |
0.331 |
0.087 |
0.073 |
0.074 |
| 2 |
0.327 |
0.096 |
0.074 |
0.080 |
| 5 |
0.313 |
0.095 |
0.069 |
0.083 |
SECS（音色）
| λ |
α=0 |
α=0.5 |
α=1 |
α=1.5 |
| 0 |
0.857 |
0.899 |
0.928 |
0.915 |
| 1 |
0.880 |
0.898 |
0.921 |
0.912 |
| 2 |
0.871 |
0.892 |
0.912 |
0.903 |
| 5 |
0.887 |
0.897 |
0.918 |
0.913 |
同条配对差 vs λ=1（正 = 该 λ 更好，CER 除外）
| 比较 |
RA |
UTMOS |
CER |
SECS |
| λ=0 @α=0.5 |
+0.005 (p=0.79) |
+0.01 (p=0.41) |
+0.01 (p=0.20) |
+0.00 (p=0.66) |
| λ=0 @α=1 |
+0.084 (p=2e-5) |
+0.393 (p=2e-35) |
−0.015 (p=0.002) |
+0.008 (p=0.002) |
| λ=2 @α=0.5 |
+0.035 (p=0.17) |
+0.01 (p=0.23) |
+0.01 (p=0.21) |
−0.006 (p=0.11) |
| λ=2 @α=1 |
+0.025 (p=0.24) |
+0.02 (p=0.39) |
+0.00 (p=0.80) |
−0.008 (p=0.06) |
| λ=5 @α=0.5 |
+0.023 (p=0.37) |
+0.02 (p=0.11) |
+0.01 (p=0.27) |
−0.001 (p=0.63) |
| λ=5 @α=1 |
−0.095 (p=4e-9) |
−0.02 (p=0.38) |
−0.00 (p=0.48) |
−0.003 (p=0.18) |
5 结论
- 中段与 λ 无关：α=0.5 处四条 λ 的四个指标全部无显著差异（RA 0.65–0.68，p ≥ 0.17；UTMOS 1.60–1.62）。中段谷是推理端的问题，训练正则解决不了——这支持把中段交给音高对齐混合。
- λ 只改两端，且 λ=0 在情感端全面最好：α=1 处 λ=0 比 λ=1 的 UTMOS +0.39、RA +0.08、CER −0.015、SECS +0.008，四项同时显著。
- λ 大只在 α=0 那一格有好处（UTMOS +0.21、CER −0.07、SECS +0.007），代价是 α≥1 的旋钮被压扁（λ=5 的 RA@1 −0.095，RA@1.5 从 1.64 掉到 1.25）。
- 主线仍为 λ=1（M20@420k）。λ=0 是否续训到 420k 与之同口径对比，待定。