流匹配

针对只有单声道而缺空间线索的问题，AURA 先用混合 U-Net 做粗双耳估计再用条件流匹配做细化，在同一数据集上 Wave-L2 做到 0.123 并以 11.26 M 参数运行，但计算量与相位指标仍有代价。

针对视听目标说话人分离中判别法过平滑与扩散法需约 30 步迭代的问题，AV-FlowSep 用条件流匹配学习混合到干净梅尔谱的直线传输路径，在 VoxCeleb2 与 LRS2 的语音-语音和语音-噪声任务上以 1 步与 5 步推理取得可比或更优的感知质量与跨数据集稳定性，代价是仍存在面部条件带来的说话人混淆与声码器引入的轻微失真。

针对零样本语音克隆要在质量与延迟之间权衡的问题，DiFlow-TTS 用音素到内容映射器管语言内容、用因子化离散流去噪器同时生成韵律和声学码本，在 470 小时 LibriTTS 训练下以 164M 参数取得 UTMOS 3.98 与 WER 0.05，但说话人相似度仍弱于大规模基线。

该文把文本语音编辑拆为语义空间的内容填充与流匹配声学重建，再用冻结文本转语音模型作一致性评价并辅以可懂度和时长门控做群组相对策略优化，在插入删除替换三类任务上以更低词错率和更高主客观自然度超过自回归与非自回归基线，代价是依赖冻结分词器声码器与多步采样训练成本。

针对自然语言指令难以稳定控制细粒度情感类别与强度的问题，EmoInstruct-TTS 用 48 状态的 Emotion2embed 加 ICE-Flow 映射实现语义与声学双路控制，在 21 组强度与 27 类细粒度零样本任务上提升情感相似度与自然度，而去掉任一路都会下降且推理额外开销仅约 1 到 2%。

针对流匹配语音生成的音色泄漏与推理慢问题，论文用异构数据扰动切断语义 token 的声学捷径、用蒸馏加在线拉直消除分类器无关引导开销，在 3 步推理下实现约 3.25 倍加速并提升说话人相似度，代价是极端拉直带来轻微可懂度波动。

针对仅用参考语音或仅用文字描述难以精确改一项声学属性的问题，FineCombo-TTS 用统一声学表示加条件流匹配的方差预测器学习源到目标的相对变化，在 FineEdit 配对数据上把韵律、情感和音色控制精度提高，但可懂度和音色相似度仍需在较强引导下权衡。

针对冻结流匹配语音合成持续读错多语专有名词的问题，FlowEdit 冻结 DiT 只优化文本嵌入扰动并存入 Modern Hopfield 记忆，在 312 词基准上把目标词音素错误率降到 3.1% 且通用语音保持 4.1%，单次纠错约 15 秒但声调语言残留误差更高。

针对流匹配语音合成缺少在线强化学习的问题，该工作把 ODE 采样改写为 SDE 以获得随机性，再用组内相对优势同时优化说话人相似度、可懂度和感知质量，在 CosyVoice 3.0 上把中文 SS2 从 0.830 提升到 0.859，代价是只微调 FM 的 LoRA 参数且依赖现成奖励模型。

FreeSonic 针对文本引导音频编辑中时间一致性与背景保留难以兼得的问题，在冻结的 TangoFlux 上用反演加去噪、文本音频注意力取掩码与分阶段解耦做局部修改，主实验报告在增加、删除、替换上取得更优的保真与语义对齐，但删除类任务仍依赖噪声注入强度等任务相关超参数。

针对舞蹈到音乐生成中节奏表示过粗与舞蹈音乐时间长度错位的问题，GACA-DiT 用多尺度时空节奏提取加上下文对齐查询的扩散变换器建模，在 AIST++ 与 TikTok 上取得最高的节拍与质量指标，代价是依赖姿态与预训练编解码器且演示链接当前不可用。

针对改大或压住 creak 时音高与性别感知易被连带拖走的问题，论文用两段条件连续归一化流分别处理高层说话人属性与低层嗓音品质并在中间层做对抗去相关，在 LibriTTS-R 与 YourTTS 主干上以更小的音高偏移和更稳的性别与说话人验证指标完成 creak 编辑，代价是强操作仍会损失部分说话人相似度且抑制方向的主观 creak 变化不显著。

针对单通道双人语音分离中生成模型易跟错说话人的问题，该文用冻结的端到端 diarization 吸引子作为唯一说话人条件，只训练潜在空间流匹配 U-Net，并用免训练的对抗说话人引导推开干扰说话人，在 LibriMix 上以可运行的分离策略报告了质量、可懂度和说话人混淆对照。

针对多人混合中用注册语音抽取目标说话人的任务，MeanFlow-TSE 沿用背景到目标的混合比流形并改用平均速度训练，在 Libri2Mix 上以单步推理取得 Clean 集 3.26 PESQ 与 18.80 dB SI-SDR，代价是无参考自然度指标仍落后于部分多步模型且复现依赖原文超参数。

针对多通道分离中判别模型信号保真高但听感差、生成模型自然但需多步迭代的问题，MeCo 用条件平均速度场做一步校正并引入数据空间优化，在 WSJ0+WHAM!上达到 10.08 dB SI-SDR 与 3.19 DNSMOS，代价是只增加 1 次函数求值和 0.0068 实时率。

针对改歌词必须保留原旋律、节奏与总时长的问题，论文用旋律感知的时长占比预测加音频补全式流匹配解码做歌声编辑，并在六种编辑场景下以可核对的客观与主观评测显示总时长严格保留，但复杂混合编辑的可懂度仍明显下降。

针对混合音乐中乐器种类与数量未知的问题，论文用 stem 嵌入生成器逐个发现音频查询再驱动查询分离器，在正确检出的干声上达到人工查询相当的分离质量，主要代价是检出召回不完整与自编码器引入的听感瓶颈。

该工作用源语音的二值语音活动掩码约束固定长度修复式合成以实现唇同步配音，最强证据是帧级对齐准确率从约 73% 提升到约 96% 且主观韵律无显著下降，代价是在翻译时长严重失配时出现删读、重复或调序。

针对自然语言细粒度表达难控与参考音频风格泄漏问题，Poly-InstructTTS 用 1000 小时影视多模态指令数据训练无提示音频的 GPT 加流匹配声学模块，在 InstructTTSEval 上取得高指令跟随分，但以词错误率上升与复杂声学条件不稳为代价。

针对中文流匹配语音合成中重音数据少且韵律难控的问题，该工作在 F5-TTS 上加重音编码器并依次做有监督微调、直接偏好优化和基于小波韵律工具奖励的在线强化学习，主测试上显著度从 0.86 提升到 1.45 而词错误率稳定在 1.63% 左右，代价是说话人相似度微降且奖励仍依赖客观显著度工具。