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

Aria v0.2.3.3 冷启动模型包(正式包):Model Card

  • model_ver **v0.2.3.3**(refit L3,g 版本 3);feature_engine native(numpy/scipy 复刻,不依赖 Praat);seg_ver stage0-v0.2.1.2。
  • 链路:阶段 0 段 A → native 9 变量 → L3 系数 → clip [0,10] → G6 恒等(ŵ = 0)→ g(weights/g_table.json)→ S。常数见 weights/model.json,4 位有效数字。
  • 取代 v0.2.3.2(草稿,praat-script)与 v0.2.0.1(breathiness 标签),两者的包存档在 aria-training/artifacts/m4-model-package-v0.2.3.2/ 与 aria-training/artifacts/m4-model-package/。上一代发布包 v0.1-pre 见 history/v0.1-pre/。规格修订见 aria-training/docs/spec-revisions.md。

本卡与 aria-training/artifacts/m4-model-package-v0.2.3.3/MODEL_CARD.md 同源同版本。为适应本发布仓的目录布局,卡内指向训练/评估产物的链接改写为 aria-training 仓内路径的文字引用,并新增或改写本包专有内容(新增「本包内容」一节与「发布包自洽门」一小节,「复现」改为只列本包命令)。模型本身的数字、门结论与判定一字未改;Limitations 的条目、顺序与结论不变,仅在两条上补了本包专有说明(第 8 条:本包同时输出训练口径与产品口径两个 status;第 12 条:锁定集上未达显著)。本包不含训练与评估代码。

本包内容

路径 内容
weights/model.json L3 系数、clip、g 版本、冷启动阈值、dev 指标与包身份
weights/g_table.json 量纲链 g 的常数表(knots / p / σ)与验收记录
inference/predict.py 入口:--audio(原始录音)、--segment-a(段 A)、--requests(批量)
inference/stage0/ 阶段 0(seg_ver stage0-v0.2.1.2,13 个模块,与冻结预测所用代码逐字节相同)
inference/native_features/ native 九特征引擎(5 个模块,与冻结预测所用代码逐字节相同)

依赖:numpy、scipy、soundfile、onnxruntime(只有阶段 0 的 VAD 需要)。阶段 0 的 Silero VAD ONNX 不随包分发,需自备并校验 SHA-256 1a153a22f4509e292a94e67d6f9b85e8deb25b4988682b7e174c65279d8788e3(--vad-model / $ARIA_VAD_MODEL / inference/models/SileroVAD.onnx);只走 --segment-a 时无需 VAD。

适用范围

本包是测量内核,不是完整的录音端产品链路。输入契约是段 A(16 kHz mono 波形):从段 A 往后依次计算九项特征、ABI'、S。段 A 之前的环节——从任意录音中定位并切出持续元音——不属于本包。

已验证范围仅限 PVQD 协议复合录音经阶段 0 产出的段 A:拟合池 212 人与 hold-out 12 人的全部样本都是这一口径下的段 A——PVQD 每个文件是持续 /a/、/i/ 加 CAPE-V 六句的复合录音(无人工句切),整文件过现行阶段 0 离线产出段 A(全部周期性区域拼接,训练口径)。任意录音场景不在本包验证范围内:面向任意录音的元音切割前端尚未建立,也未经验证;本包没有、也无法据此对任意录音的切分正确性、噪声鲁棒性或端到端输出作出任何声明。

变更追溯

# 变更 从 → 到 依据
1 目标标签 CAPE-V breathiness / 10 → CAPE-V 总体严重度均值 / 10 Ryo 2026-10-18 第 1 项
2 G3 CV 极差判据 ≤ 0.10 → ≤ τ(噪声校准,本池 τ = 0.369) Ryo 批准提案 A(规格修订 R1)
3 「不劣于 L0」 严格比较 hold-out → 选级以 CV 为准,hold-out 只核 ≥ 0.70 Ryo 方案 (iii)(规格修订 R1)
4 T_diag 3.44 原文 → 未改,占位,待裁定 Ryo 第 3 项挂起
5 特征引擎 praat-script → native 原生线审计 + 本包回归

开发指标(dev,非锁定测试;训练口径,R1/W 不排除)

项 主标签:CAPE-V 严重度 对照:CAPE-V breathiness(v0.2.0.1)
拟合池 / hold-out 212(normal 84 / mild 79 / moderate 31 / severe 18)/ 12 人 同
选中级 L3(λ = 100,向已发表系数收缩) L0
CV rs 均值 L0 → L3 0.588 → 0.642(Δ +0.054) 0.635 → 0.636(Δ +0.001)
CV 各折 rs(选中级) 0.490 / 0.677 / 0.676 / 0.697 / 0.668 0.519 / 0.621 / 0.631 / 0.540 / 0.866
CV rs 极差(选中级) 0.207 0.348
hold-out rs(L0 对照) 0.888(0.895) 0.860(0.860)
hold-out MAE(ABI' 空间) 1.255 2.146
同一模型对其他标签的 rs(拟合池 / hold-out) breathiness 0.647 / 0.846;GRBAS-B 0.653 / 0.875 GRBAS-B 0.664 / 0.883

L3 系数:b0 = 12.47;cpps −0.5062,jitter −0.3403,GNE −5.915,Hfno −1.061,HNR-D 0.06068,H1-H2 −0.004161,ShdB 4.759,Shim −0.1942,PSD 10.64。

锁定 Benchmark 结果(§2.5,2026-10-18 一次性执行)

比较对象:v1 冻结 CAPE-V severity 头(原生 mm,未重算,只按冻结文件哈希复用)。两侧同在 n = 57 的配对集上计算,零映射、零拟合。预测文件冻结 SHA-256 3ff22e6a…44d69;完整方法、终点与合规披露见 aria-training/docs/v0233-locked-benchmark-result.md(预测冻结记录:aria-training/docs/v0233-locked-benchmark-prediction-freeze.md)。

判定:未达显著。 主检验单侧 Wilcoxon signed-rank(方向 d > 0)W = 725,p = 0.790005(α = 0.05);主终点 median d = +0.693 mm,95% CI [−2.408, +3.012](跨 0);配对符号检验 30/57,单侧 p = 0.395683。因此不得写「v0.2.3.3 在锁定集上显著优于 v1 severity 头」。

侧 Spearman rs [95% CI] MAE mm [95% CI] 中位 |误差| mm
v1 CAPE-V severity 头 0.8130 [0.6983, 0.8826] 10.951 [8.645, 13.508] 8.593
Aria v0.2.3.3(ABI′ × 10) 0.7164 [0.5338, 0.8429] 11.971 [9.553, 14.482] 9.247

点估计上 v1 略优(mean d = −1.020 mm;v0.2.3.3 更准 30 人 / v1 更准 27 人 / ties 0),但两个独立 ρ 之差未作显著性检验,两列数字只作描述,不构成任何优势或劣势的显著性宣称。按作者 Category 分层同样只是描述:Normal/Mild 两层两侧相当(Normal n = 23,MAE 8.649 vs 8.366;Mild n = 17,MAE 7.390 vs 8.322),Moderate/Severe 两层 v0.2.3.3 描述性偏弱(Moderate n = 13,22.019 vs 18.532;Severe n = 4,17.883 vs 12.348);分层子样本很小(Severe 仅 4 人),不作分层结论。

intent-to-screen:原始分配 60 → 成功评分 58 → VAD 拒检 2(PT084、PT134)。v0.2.3.3 侧 **PT097 在正式包(训练口径)下 status = rejected:R2|R5**(SNR 9.93 dB < 10、miss_rate > 0.5),不产出预测;配对集因此为 n = 57,不插补、不替换人选。产品口径(七门全过)下同一批 58 人中 22 人可评分、36 人 rejected:R1,该表仅描述性、不参与任何终点。

本结果不改变 v0.2.3.3 的适用范围表述,也不决定是否发布(v0.2.3.3 按计划上线发布)。

发布包自洽门(2026-10-18)

用本发布包自身的入口(inference/predict.py 批模式)复算同一批 58 人,与冻结预测文件 3ff22e6a…44d69 逐人比对:predictions.csv 逐字节一致(同为 SHA-256 3ff22e6a…44d69),逐人 ABI′ 最大 |Δ| = 0.0(容差 1e-6);status 58/58 一致(scored 57 / rejected:R2|R5 1)。同时逐模块校验本包 inference/ 的 13 + 5 个模块哈希与冻结运行的 generation_manifest.json 记录逐字相同,权重哈希与 §2.5 报告页眉所载包身份逐字相同。报告:aria-training/artifacts/release-selfcheck-v0.2.3.3/selfcheck_report.md。

G3 重拟合门:修订后 PASS,原门 FAIL 并排披露

判据 原门(v0.2.1) 修订门 R1 本包数值
hold-out rs ≥ 0.70 通过 通过 0.888
不劣于原系数 严格 ≥ L0:不过(−0.007) 不作门,仅披露 差 −0.007,bootstrap 95% CI [−0.26, +0.22],记为噪声内
CV 极差 ≤ 0.10:不过 ≤ τ = 0.369:通过 0.207
结论 FAIL PASS
  • τ 的定义:零模型下 5 折 rs 极差的第 95 百分位,零模型取 ρ₀ = 0.70、每折 42.4 人,按 Fisher z 抽样(Bonett–Wright SE),蒙特卡洛 10⁶ 次。观测极差 0.207 落在重新分折噪声分布的第 50 百分位。
  • 原结论留档:v0.2.0.1(breathiness 标签)CV 极差 0.348,原门 FAIL。这个结论没有被重判,也没有被覆盖。
  • Step 0 对等审计:native 对 praat-script 九项特征 r ≥ 0.95(|r − 1| < 1e-12)。原生线报告 §5.1 记录段 A 对原始录音的特征偏移(H1-H2 0.65、PSD 0.82),属阶段 0 层面的问题。比较对象口径已裁定(Ryo 2026-10-18 六项裁决第 4 项):Step 0 只判引擎对等,已过线;段 A 对原始录音的偏移记为已知限制,归阶段 0 范畴,不在本次引擎对等范围内,不回炉。

G4 量纲链:通过

参考样本:拟合池中作者类别 Normal 的 84 人,用 L3 打分(1 个值裁剪到 0,无并列)。中位数 1.592,σ̃ = 0.884。三段 C0 连续(接点差 1.9e-9),解析严格单调;纯查表实现与参考实现最大差 1.4e-14。

冷启动阈值:未标定、待裁定

S_diag 与冷启动红线未标定,不得作为已标定结论引用。

T_diag 按规格原文 3.44 占位(L0 ABI 诊断阈值)。在严重度标签与 L3 下,ABI' 的含义是「预测 CAPE-V 严重度 / 10」,3.44 对应 34.4 mm,这个阈值在新口径下没有定义。由此算出的数值只是占位:S_diag = g(4.128) = 99.87,T_red^cold = min(90, 99.87) = 90,T_yellow^cold = 75,防倒挂锁不触发。待 Ryo 裁定 T_diag^(3)。本包因此只输出 ABI′、y_hat_mm 与 S 三项测量值,不输出产品档位判定。

引擎替换回归(praat-script → native)

对照包:同一标签、同一 R1 规则、同一 g 版本,用 praat-script 特征构建(aria-training/artifacts/m5-engine-regression/control-praat-script/,仅作回归对照,不发布)。容差 1e-6(审计误差量级,远低于 4 位有效数字的发布精度)。

检查 结果
选中级 / G3 判定 L3 / PASS,两引擎相同
发布系数(4 位有效数字) 完全相同
g 常数表、冷启动阈值 完全相同
refit 全部数值(CV、hold-out、λ 曲线等) 最大差 5.6e-8
dev 指标 最大差 2.4e-11
逐端点 ABI'(2,352 端点,2,167 两边可评分) 最大 |Δ| 5.1e-9
逐端点 S 最大 |Δ| 5.3e-8,中位数 0
拟合池 234 段(233 可评分) ABI' 最大 |Δ| 8.9e-10,S 最大 |Δ| 6.4e-8
只一边可评分 0

单元测试:126/126 通过(aria-training/artifacts/m5-engine-regression/unit-tests.txt),包括原生线 18 项,以及 abi_praat 空段 A 修复的 2 项回归测试。

Limitations 与偏差清单

  1. 适用范围限于 PVQD 协议复合录音经阶段 0 产出的段 A(见上「适用范围」)。本包验证过的输入只有这一口径下的段 A;面向任意录音的元音切割前端未建、未验证,任意录音场景不在本包验证范围内。本项不改变模型数值、门结论与发布状态。
  2. T_diag 未标定(见上);冷启动红线不能用于产品结论。
  3. G3 按修订门 R1 通过;按原门 0.10 不通过。两者并排披露。
  4. hold-out 只有 12 人,rs 的 CI 很宽;L3 与 L0 在 hold-out 上的差在噪声内。
  5. 段 A 与原始录音之间的特征偏移(12 人上 ABI r = 0.954)。Step 0 的比较对象已裁定(2026-10-18 第 4 项):只判引擎对等,已过线;本项偏移记为已知限制,属阶段 0 范畴,不回炉。
  6. native 引擎复刻的是 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。
  7. 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。
  8. 训练口径:R1/W_窗数 不排除(裁决),产品口径不变。本包同时输出两个口径的 status(status = 训练口径,status_product_caliber = 七门全过),两个口径下可评分人数差别很大(§2.5 锁定 58 人:57 vs 22)。
  9. G6 修正器未激活(ŵ = 0)。
  10. 阶段 0 已知偏差:WADA 模拟重建表、q_codec 停用、距离档占位、T60/元音样检测器为占位实现。
  11. 个人化参数(σ_floor、σ_CVA、w_base)未出。
  12. §2.5 已运行(2026-10-18 一次性锁定测试,结果见上「锁定 Benchmark 结果」);60 名锁定说话人未进入任何拟合、调参或参考集。锁定集上未达显著:v0.2.3.3 与 v1 冻结 severity 头的精度差异不显著。
  13. 非医疗产品:输出为嗓音状态参考,不是诊断。

复现

只用本包(无训练依赖):

python -m pip install numpy scipy soundfile onnxruntime

# 已切好的段 A(本包验证过的输入口径)
python inference/predict.py --segment-a segment_a.wav --out out.json

# 原始录音(阶段 0 + 段 A + 特征 + ABI' + S;需自备 VAD ONNX)
python inference/predict.py --audio rec.wav --vad-model /path/SileroVAD.onnx --out out.json

# 批量:requests.jsonl 每行 {"audio_path","audio_sha256","distance_cm","speaker_id"}
python inference/predict.py --requests requests.jsonl --dataset /path/PVQD \
    --vad-model /path/SileroVAD.onnx --outdir out/

训练、重拟合与锁定评估的复现命令在 aria-training 仓(docs/m1/README.md、docs/v0233-locked-benchmark-result.md §9);本包不含训练代码与任何测试标签。

SHA-256:weights/model.json 4415d3fd…56c0,weights/g_table.json 4cc7d521…a385(见 SHA256SUMS)。