reports/EVALUATION.md

验证报告

可懂度（SenseVoice iic/SenseVoiceSmall，8 句固定测试）

测试句：

1. 你好世界，今天天气真不错，适合出去散步。
2. 机器服务员的生产厂家介绍说这款产品很好用。
3. 从八月九日十九时到八月十二日上午十时。
4. 中国人民银行决定下调存款准备金率。
5. 人工智能技术正在改变我们的生活方式。
6. 今天中午我想吃一碗牛肉面。
7. 北京是中国的首都，有着悠久的历史文化。
8. 请问最近的医院在哪里。

配置	女声 CER	男声 CER
CPU 全 fp32（ONNX）	0.075	0.108

注：日期句（#3）的系统性偏差为 SenseVoice itn 转写差异（"上午十时"→"上午10"）， 非语音错误。去掉该句后女声 CER 约 0.02。

性能（AX650N，10.126.35.115，Ubuntu 22.04）

输入	acoustic(CPU)	vocoder(NPU)	总耗时	有效音频	RTF
女声 21 字	0.32s	0.32s	0.65s	4.04s	0.161
男声 15 字	0.31s	0.30s	0.63s	3.31s	0.191
女声 19 字	0.30s	0.30s	0.62s	4.11s	0.151
长句（分块 526 帧）	0.30s	0.61s	0.93s	5.61s	0.166

NPU 量化验证结论

声学模型（text→mel）：NPU 量化不可行

方案	结果
int8（Percentile/BRecQ）	duration 偏差 13%、mel 渲染 CER~0.9
U16（激活+权重）	同上（duration 偏差 13%）
混合精度	Pulsar2 编译失败（AxLayerNorm tiling bug）
FP16/F32	Pulsar2 7.0 不支持

根因：VITS 的 flow（仿射耦合）+ duration（对数尺度）对 8/16-bit 量化系统性敏感。 → 声学模型必须 CPU fp32（AX650N 实测 0.30s/句）。

声码器（mel→wav）：NPU int8 可用

• Pulsar2 7.0 编译，onnx_opt.enable_onnxsim: true 必须开启 （BigVGAN edge-pad 节点会导致 AxPad shape 错误）
• 对多数句子可懂（男声真机 CER 0.000）；个别句子有轻微质量波动
• 板上 CPU fp32 vocoder 实测 >30s/句（rtf>5）不可用 → vocoder 必须 NPU

音质优化要点（训练/推理）

• 数据：CosyVoice 官方音色（女）生成 150 条/音色，比原始语料更干净
• 训练：声码器感知 GAN（mel→冻结 BigVGAN→MPD/MSD）+ 句尾采样 tail_bias=0.4
• 节奏：length_scale 女 0.7 / 男 0.85（音节时长贴近自然 180ms）
• 尾字：tail_stretch() 句尾 mel 20→45 帧拉伸（模型句尾音节 duration 偏短）