Glossary 概念登记¶

每个概念在此有唯一权威定义。别处提到就链回来。 这里登记定义,不登记结论 —— 结论在 05 Findings。

alpha¶

情感强度旋钮。 推理时对情感方向 A 的标量系数:

\[v_{\text{ctrl}} = v_{\text{neu}} + \alpha \cdot A\]

\(\alpha = 0\) 给出中性,\(\alpha = 1\) 给出情感样本本身的强度,\(\alpha > 1\) 为外推。在调色板里推广为多情感权重 \(\{w_e\}\),其中 \(w_{\text{neu}} = 1 - \sum_e \alpha_e\)。

两次 DiT 前向的速度之差:\(A := v_{\text{emo}} - v_{\text{neu}}\),形状 \((1,80,K)\)。

两个分支在同一个 \(x_t\)、同一串 gen_token 上求速度,只有参考前缀不同 —— 两者共有的语义内容在相减时抵消。

构造,非学习

训练里没有任何损失直接监督 \(A\)。它只在推理时被构造出来。

情感的两个来源及其分工:

通道	角色
LLM token	源 —— 决定有没有情感(语速、韵律骨架)
flow 的 \(\alpha\)	闸门 —— 决定情感放出多少(频谱层强度)

ICL 推理里张量沿时间轴分两段:

各分支前缀可不等长;生成段必须等长才能逐帧混合。

\(K\) = mel 帧数 @ 50 Hz(1 帧 = 20 ms);\(L\) = 语音 token 数 @ 25 Hz(1 token = 40 ms)。恒有 \(K = 2L\)。

同一句话在各情感下的生成长度之比:\(\max_e K_e / \min_e K_e\)。

逐帧混合要求 \(\text{spread} \lesssim 1.05\)。参照值见 Findings F3。

把各分支的原生时间轴与共同输出时间轴互相映射的两张索引表:

二者互为反函数。不是学出来的 —— uniform 是等比例索引,dtw 是动态规划。

输出长度取凸组合 \(K^* = \sum_e w_e K_e\),因而混合时长成为 \(\alpha\) 的连续函数。

长度对齐可以改两样东西之一:

	改什么	后果
条件侧	token / \(\mu\) 重采样到 \(K^*\)	模型看到被改造过的输入
状态侧	只搬运积分变量 \(x\)	条件全原生,模型只见训练时见过的输入

mono:相邻 \(\alpha\) 步中情感分上升的比例,按 (key, 情感) 分组平均。 7 个 \(\alpha\) → 6 个间隔 → 量化到 1/6 格点
delta:\(\alpha{=}1\) 与 \(\alpha{=}0\) 的情感分之差

Warning

两者都基于 emotion2vec 的输出,而该分类器在本任务上饱和(见 F5)。 n=12 时 mono 的格点粗糙到两个不同模型可能撞上同一个值。

\[\text{eff-rank}(M) = \frac{(\sum_i \sigma_i)^2}{\sum_i \sigma_i^2}\]

\(\sigma_i\) 为奇异值。取值 \([1, \min(80,K)]\),衡量能量分布在多少个方向上。

两个 \(80\times r\) 正交基之间主角余弦平方的均值,取值 \([0,1]\)。用于与时间对齐无关地比较两段变长信号的主方向。 80 维里取 5 维的随机基线 = \(5/80 = 0.0625\)。