# 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）