aria_linear_head
Aria / KNOWN_ISSUES.md
RyouDYFZ's picture
Release Aria v0.2.3.3
ab5ae4a verified
|
Raw History Blame Contribute Delete
3.39 kB

Aria v0.2.3.3 已知部署问题

此页只记录已知问题,不在 v0.2.3.3 中修复。模型数值、门结论与发布状态不受影响。

范围与接口

  • 未验证任意录音:本包只在 PVQD 协议复合录音经阶段 0 产出的段 A 上验证过。面向任意录音的元音切割前端尚未建立(切割器任务书仍是草案),本包不对任意录音的切分正确性、噪声鲁棒性或端到端输出作任何声明。
  • VAD 模型不随包分发:inference/ 的阶段 0 需要 Silero v5 ONNX(SHA-256 1a153a22f4509e292a94e67d6f9b85e8deb25b4988682b7e174c65279d8788e3)。哈希不符会被硬性拒绝。只走已切好段 A 的路径不需要 VAD。
  • 两个门口径并存,可评分人数差别很大:本包同时输出训练口径(本包自身数字所用口径,R1/W_窗数 不排除)与产品口径(七门全过)的 status。§2.5 锁定 58 人上分别是 57 与 22 可评分。产品侧接入时必须显式选择口径,不要混用。
  • 16 kHz 单声道假设:段 A 必须是 16 kHz mono。其他采样率/声道不做隐式转换(--segment-a 会把多声道降为单声道、但不会重采样)。

冷启动阈值与档位

  • T_diag 未标定:规格原文 3.44 是 L0(ABI 原始口径)的诊断阈值;标签换到 CAPE-V 严重度、头换成 L3 之后它没有定义。S_diag = g(4.128) = 99.87、T_red^cold = 90、T_yellow^cold = 75 都只是占位。冷启动红线不得用于任何产品结论。 本包因此只输出 ABI′、y_hat_mm 与 S,不输出产品档位判定。待 Ryo 裁定 T_diag^(3)。
  • 个人化参数未出:σ_floor、σ_CVA、w_base 未定。

数值与平台

  • native 引擎的平台依赖:复刻的是 arm64 上 parselmouth 0.4.7(Praat 6.1.38,FMA 舍入)的数值;对 x86 Praat 基准未验证,预期 CPPS 有约 1e-3 dB 量级的平台差。
  • 重采样残余:段 A 是 16 kHz,经 sinc 重采样到 44.1 kHz;Hfno-6000 的 6–10 kHz 分母只有重采样残余。
  • 段 A 与原始录音之间的特征偏移:12 人上 ABI r = 0.954。属阶段 0 范畴,已裁定不回炉,记为已知限制。
  • G6 修正器未激活(ŵ = 0),ABI′_corr = ABI′_raw。

阶段 0 遗留

  • WADA-SNR 的 G 统计表是按论文的 Gamma(0.4) 语音模型模拟重建的,不是原表。
  • q_codec placeholder-inactive(2026-10-18 裁决),产品口径不变。
  • 距离档为占位;T60_est 与元音样检测器(VOWEL_* 常数)都是占位实现,后者只产覆盖率。
  • 距产品预期的「自由说约一分钟」输入,PVQD 句材只有 16–30 s;R1(T_voiced < 10 s)在短材料上会大量触发(锁定集产品口径 36/58)。

评估口径的边界

  • §2.5 未达显著:锁定集上 v0.2.3.3 与 v1 冻结 CAPE-V severity 头的精度差异不显著(单侧 Wilcoxon p = 0.790005;median d = +0.693 mm,95% CI [−2.408, +3.012])。不得写「显著优于」。
  • 分层(作者 Category)子样本很小(Severe 仅 4 人),只作描述,不构成分层结论。
  • hold-out 只有 12 人,rs 的 CI 很宽;L3 与 L0 在 hold-out 上的差在噪声内。
  • G3 按修订门 R1 通过;按原门(CV 极差 ≤ 0.10)不通过。两者并排披露,不覆盖原结论。
  • 非医疗产品:输出为嗓音状态参考,不是诊断。