跳转至

EvoSpeech · Wave 1/2 SOTA 来源、权重与运行合同审计

首次审计：2026-07-19；最新复核：2026-07-20

结论

Wave 1 六项和 Wave 2 六项已经全部完成 source audit，超过原计划“Wave 2 至少 4/6”的门槛。 本轮固定了：

  • 12 个官方源码 revision；
  • 21 个 Hugging Face checkpoint 仓库/变体（20 个含权重、HCodec 2.0 仅模型卡）、1 个 DAC 官方 GitHub release checkpoint 和 1 个 LPCNet 官方模型包；
  • 28 个实际权重 LFS 文件的字节数与 SHA-256；MOSS Nano/full v1/full v2 各有 4 个普通 Git blob， HCodec 的 HuBERT 与 Wav2Vec2 config 各有 1 个普通 Git blob； config/index/remote-code 身份文件由本地 snapshot 与 live 小文件下载做 bytes/SHA-256 强校验；
  • code license 与 weight license；
  • native sample rate、作者码率/推导码率、encode/decode 入口和 side information；
  • 合法 rate knob、Python/PyTorch 冲突和 Apple M5 可行性。

全部登记权重合计 40,149,854,166 bytes（约 37.39 GiB）；14 个普通 Git blob 不混入 LFS 权重合计。这是多个互斥变体的目录总量， 不是下一步要一次下载的内容。Hub 权重在线核对元数据；DAC 官方 release 已固定下载到忽略的 隔离模型目录并实测 SHA-256；LPCNet 102,536,511-byte 模型包已重新下载到 gitignored .model-envs/lpcnet/source/，用于本轮 static build，并再次通过 SHA-256。大权重均未写入 Git。

Wave 1 裁决

系统 固定 checkpoint 合法 rate knob Apple M5 裁决 下一步
DAC 16 kHz 官方 release 0.0.5 .pth 296,820,733 B，SHA-256 95ab7176…b4d n_quantizers=1..12 8/8 native smoke 已通过 合法 n_quantizers 曲线 + 统一指标
FocalCodec-Stream 2k/4k/65k 三个 causal checkpoint 均固定 官方 0.55/0.60/0.80 kbps 变体 4k 整句 8/8 native smoke 已通过 stateful streaming 等价性 + 三 checkpoint 曲线
Stable Codec 3.814 GB safetensors，已授权并固定 官方 400/700/1000 bps FSQ preset 本机平台受阻 CUDA + FlashAttention 主机
Mimi 384.6 MB，CC-BY-4.0 num_quantizers=1..32；8 层为 1.1 kbps 文档点 Transformers CPU 8/8 native smoke 已通过 stateful 等价性 + 合法码本曲线
LPCNet 官方 2ddc476 模型包 102.5 MB，SHA-256 固定 只核实 1.6 kbps Apple ARM/NEON static 8/8 native smoke 已通过 统一指标 + 部署机制卡
SNAC 24 kHz 79.5 MB，HF revision d73ad176… 未核实可合法丢层；只跑 0.98 kbps 原生点 8/8 native smoke 已通过 统一指标 + 机制卡，不伪造 rate sweep

Stable Codec 为什么不在本机继续下载

官方固定源码明确写着 sliding-window attention 对 FlashAttention 是硬要求，并写明当前不支持 CPU inference。Apple MPS 不能提供 CUDA FlashAttention。继续在本机下载 3.81 GB 只能验证 “文件能下载”，不能验证模型能力，因此状态是 platform_deferred，不是从 SOTA Census 删除。 未来使用 CUDA 主机时直接复用已经固定的源码、权重 SHA 和三组 FSQ preset。

Wave 2 裁决

系统 固定范围 关键发现 本机动作
MOSS-Audio-Tokenizer v1 7.10 GB、v2 8.50 GB、Nano 87.9 MB Nano/full v1/full v2 均 8/8 G4 统一指标、合法 rate curve 与 streaming gate
Quark HCodec 1.0 582 MB + HuBERT 378 MB；1.5 2.75 GB + Wav2Vec2 1.27 GB 1.0/1.5 均完成冻结 8 句 G4；2.0 无权重 统一指标与 1.5 合法 threshold curve
BigCodec 637.9 MB 8/8 真实 13-bit index payload G4；聚合 1041.49 bps；官方脚本硬编码 CUDA 统一指标与机制卡；无合法 rate sweep
WavTokenizer small/large 40 与 large 75 token/s 均固定 small 与 large unified 均 8/8 G4；两者聚合 480.57 bps，large 峰值 RSS 1.55 GB large speech 75-token 单句探针；两个 40-token 点做同 rate 统一指标
X-Codec 2.0 Transformers-native 2.52 GB 50 Hz × 16-bit FSQ = 800 bps；权重为 CC-BY-NC-4.0 固定 Transformers commit 后中英 smoke
TaDiCodec tokenizer + vocoder 共 3.27 GB 重建接口需要目标文本、prompt 文本和 prompt 语音 先定义 side-information 合同，不进公平 payload 表

TaDiCodec 为什么不能直接拿“87.5 bps”横比

官方 speech reconstruction 示例不只是输入语音和离散 token；还传入目标 transcript、prompt transcript 和 prompt speech。对生成任务这很合理，但在通信合同里这些都是额外信息或预共享 条件。若不计账，87.5 bps 与 Opus、Codec 2、EnCodec、SNAC 等不是同一个问题。TaDiCodec 仍保留为 text-aware diffusion decoder 教师，等待回答两个问题：

  1. 能否暴露真正的 payload-only decoder；
  2. 若不能，文本和 prompt 是 transmitted、pre-shared 还是 oracle-only，各自成本多少。

Quark HCodec 2.0 的证据边界

固定的 HCodec 2.0 Hub 仓库当前只有 README 和 Git metadata，没有权重文件。源码目录存在， 但不能因此写成“官方 48 kHz checkpoint 可运行”。HCodec 1.0/1.5 正常进入执行，2.0 暂列 open-code-partial 家族状态，后续月度扫描权重发布。

运行合同摘要

每个系统在 source card 中均明确：

source revision + code license
checkpoint revision + per-file bytes + LFS SHA-256 + weight license
sample rate + representation + rate basis
encoder entrypoint + decoder entrypoint
required side information + independent-decode status
legal rate knobs + official evidence URL
Python/framework/accelerator + host decision + risks

不能使用的捷径：

  • torch.hub 浮动 main；
  • from_pretrained() 不传 revision 或不先下载固定 snapshot；
  • 只记 Hub repo revision、不记大文件 LFS SHA；
  • 把 checkpoint 切换、RVQ depth、token 丢弃混叫同一种 rate knob；
  • 忽略目标文本、prompt、stream length 或 adaptive grouping metadata；
  • 因平台受阻而从 Census 删除模型。

验证记录

静态检查：

python3 scripts/audit_sota_sources.py

在线检查（权重只查元数据；另下载 14 个小型 executable-identity Git blob 复算 SHA）：

.venv/bin/python scripts/audit_sota_sources.py --check-live

2026-07-20 两者均通过：

systems=12 wave1=6 wave2=6
pinned_files=28 catalog_bytes=40149854166
executable_identity_files=14 identity_bytes=769116
live_huggingface_checked=True

在线记录覆盖 20 个含权重的 Hugging Face 仓库；DAC GitHub release 由本地下载后的 bytes/SHA-256 审计覆盖。固定源码的原生 DAC.load() 只接受项目自己的 .pth release，不能直接读取此前登记的 HF model.safetensors。后者现明确保留为 Transformers 转换版，不再冒充固定源码的原生权重。 原生模型实测 hop_length=320、50 frame/s、12 个 10-bit codebook，因此完整表示是 6000 bps， 纠正了此前由不一致 HF 配置推导出的 3750 bps。

专项回归测试覆盖：Wave 1 条目丢失、浮动 checkpoint、错误 LFS/可执行身份 SHA、TaDiCodec side information 被隐藏、Stable Codec Mac blocker 被误删。

下一执行顺序

按下载小、接口清晰、机制互补的顺序逐节点进行：

  1. SNAC 24 kHz：已完成。8/8 中英/critical、真实多尺度 payload、fresh decoder 和计账 均通过，见 experiments/sota_smoke_snac_native_v1.json；
  2. DAC 16 kHz：已完成 native point。8/8 官方 .dac、fresh decoder、真实字节计账与 exact-hop 回归均通过；合法 n_quantizers sweep 留到统一 rate/resource 曲线阶段；
  3. FocalCodec-Stream 4k causal：已完成整句 native point。8/8 真实 12-bit payload 与 fresh decoder 通过；尚未把 causal 能力冒充 stateful streaming 实测；
  4. Mimi：已完成整句 native point。8/8 真实 11-bit q8 payload 与 fresh decoder 通过； 固定 Hub 权重是 Transformers 转换版，与 Moshi 旧 loader key 不兼容，现以严格固定的 transformers==4.45.0 加载，stateful streaming 尚未实测；
  5. LPCNet：已完成 native point。8/8 官方 raw 8-byte packet、fresh decoder 与计账通过； shared demo 因 hidden internal symbol 链接失败，官方 static 配置成功且 clean rebuild 哈希一致；
  6. Stable Codec 保存为已审计平台 deferred。

每完成一个系统的安装 + native smoke 就单独报告、验证、提交，不等待整批结束。

Wave 1 至此封口：5 个 G2 passed，1 个 Apple M5 platform deferred。Wave 2 的 MOSS Nano 也已完成 8/8 G2/G4：真实 16×10-bit token payload、fresh decoder、current-adapter 审计与 69 个仓库测试通过。checkpoint remote code 与 GitHub 固定 revision 不同，因此正式身份同时固定 config/index/两份 Python remote code/weights 的 bytes 与 SHA，并只从离线 snapshot 加载。

full-model 路径没有用 Nano 代替 SOTA：v1 两 shard 已完整下载并重新计算 SHA，1,774,566,400 参数严格加载。单句探针后，正式 runner 在 24 GiB guard 下完成 3 英 + 3 中 + 2 critical： 8/8 真实 32×T token payload、fresh decoder、current-adapter 审计均通过；表示句均值 4027.34 bps，完整 payload 句均值 5611.22 bps，encode/decode RTF 均值 5.55/4.49，最大进程树 RSS 3.90 GB。中文 critical 额外 replay 字节一致。guard 也以故意越线进程证明会实际杀进程。

full v2 的 3 shard 与 4 executable-identity 文件也已完整校验。单句 probe 封住 checkpoint remote loader 的 tuple bug 和未补帧丢尾部问题后，正式 8 句 runner 保存 634 个 32×T 真实 token frames，16 个阶段均在 24 GiB guard 下通过，峰值 RSS 4.12 GB；中文 critical 的 额外 fresh replay 字节一致。MOSS Nano/full v1/full v2 至此均为 8/8 G4，下一步转向 Quark HCodec 1.0，同时把 MOSS 的统一质量指标、合法 rate curve 与 stateful streaming 留作独立 gate。

HCodec 1.0 执行时补出 source audit 的真实缺口：官方 HCodecTokenizer 会通过强制第三方 mirror 浮动加载 bosonai/hubert_base，README 的直接脚本命令又因相对导入失败。现已把 HuBERT revision、config 和 377.51 MB 权重纳入正式身份，并以显式 package context 加载固定源码。 冻结 8 句全部保存 acoustic/semantic 各 4×T 的真实 10-bit payload 并由 fresh decoder 重建； 表示码率句均值 2006.10 bps，完整 payload 句均值 3397.51 bps，最大进程树 RSS 1.77 GB。 中文 critical 的第三个 fresh decoder 字节一致，因此 1.0 升为 G4；下一步探测 1.5 adaptive。 该节点仍不是内容、音质、流式或 Pareto 结论。

HCodec 1.5 又暴露出独立的隐藏依赖：官方 encoder 强制第三方 mirror 并浮动加载 facebook/wav2vec2-large-xlsr-53。现已固定其 revision、1,768-byte config 与 1,269,737,156-byte weight，并在独立 Python 3.10.10 环境离线严格加载。固定阈值 0.6 的最短 英文句从 82 个基帧得到 65 个 adaptive groups；上游把长度重复注入八个 composite indices， adapter 交叉核验后仅传一份共享 3-bit 长度，真实表示为 83 bits/group、1647.33 bps。两次 fresh decode 字节一致，最大进程树 RSS 5.81 GB，全部未越 24 GiB guard。因此 1.5 单句 G2 通过并批准 冻结 8 句 G4；当前仍不是多句稳健性、质量、实时性或 Pareto 结论。

随后固定阈值 0.6 的正式 G4 完成 3 英 + 3 中 + 2 critical：8/8 encoder/fresh decoder 成功， 1264 个基础帧变成 808 个 adaptive groups。共享长度合同下表示码率句均值/聚合值为 1363.37/1330.24 bps，完整 payload 为 3190.48/2959.43 bps；最大进程树 RSS 5.91 GB，16 个 阶段均未越 24 GiB，中文否定 critical 的第三次 fresh replay 字节一致。相同 8 句下表示码率 比 HCodec 1.0 低 33.68%，但单句范围 980.59–1773.27 bps，且质量合同尚未运行，因此不能宣称 固定质量的 Pareto 提升或语言差异。HCodec 1.0/1.5 现转入统一指标与合法 threshold curve 队列。

BigCodec 的 637,937,326-byte checkpoint 与 159,436,290 参数已严格加载。源码核对确认单个 8192-entry codebook、200-sample hop：80 fps × 13 bits = 1040 bps，不再只是 README 引用。 官方环境合同有两个缺口：requirements 漏列实际导入的 tqdm，而 inference.py 又把模型硬编码 到 .cuda()；两次直接尝试分别复现这两个失败。固定 35 包 Python 3.9.22 CPU wrapper 不修改 源码类或模型公式，最短句保存 263 个真实 indices；13-bit 表示 1043.97 bps，code-derived embedding 与上游量化 embedding 最大误差 2.38e-7。两个 fresh decoder 输出字节一致，最大 RSS 1.79 GB。因此 BigCodec 单句 G2 通过并批准冻结 8 句；目前仍不是质量或 CUDA 等价结论。

冻结 8 句 G4 随后以 8/8 通过：4,039 个真实 indices 共 52,507 representation bits，按 50.415063 秒加权为 1041.49 bps，完整自描述 payload 为 2171.57 bps。所有输出精确恢复原始 样本数且 finite，最大进程树 RSS 2.12 GB，中文否定 critical 的第三次 fresh decoder 输出与 正式重建字节一致。BigCodec 现转入统一内容/质量指标和机制卡；上游未提供第二个已验证 rate point，因此不允许用抽帧或截断 codebook 人造曲线。

WavTokenizer small 的 1,589,082,492-byte checkpoint 通过固定 revision 与 SHA-256 校验；官方 from_pretrained0802 严格加载 80,913,988 参数、289 state keys。运行时 encoder ratios 顺序为 (4,5,5,6)，乘积 600 samples，与 24 kHz 下 40 fps 一致。最短 3.275 秒句产生 131 个真实 4096-entry codes；12-bit 表示正好 480 bps，codes_to_features 与 encoder 量化特征误差为 0。 fresh decoder 与第三次 payload-only replay 输出字节一致，最大主动 guard 采样 RSS 1.24 GB。 冻结 8 句 G4 随后以 8/8 通过：2,019 个真实 codes 共 24,228 representation bits，按 50.415063 秒加权为 480.57 bps，完整自描述 payload 为 1752.17 bps；最大进程树 RSS 1.58 GB。 五句覆盖 partial-hop，odd-length 英文 critical 精确恢复原样本数且第三次重放字节一致。两句共 3 个负满幅 PCM16 样本作为统一质量指标的削波检查保留，不误判为 transport 失败。small 现转入 统一指标，同时批准 large unified 40-token 单句探针；large speech 75-token 另作独立系统，不把 不同训练数据和结构的 checkpoint 当作纯 rate ablation。

large unified 的 1,759,224,573-byte checkpoint 随后通过固定 revision 与 SHA-256 校验。其 HF 仓库只含权重与短 README，没有 config；checkpoint metadata 中的 resume_config 记录的是训练时 75-token lineage 路径，不能直接当当前推理配置。我们用 state dict 形状与官方 loader 严格裁决：固定 40-token YAML 无 missing/unexpected keys 加载 80,913,988 参数、289 state keys、340,459,156 tensor bytes， 运行时 ratios (4,5,5,6)、40 fps、单 q4096 和 600-sample decoder hop 全一致。单句产生 131 个真实 codes / 480 bps，两次 source-blind fresh decode 字节一致，最大进程树 RSS 1.24 GB。 large 与 small 的已观察推理规模相同，但上游声称前者训练覆盖约 8 万小时 speech/audio/music； 这使它成为同码率 SOTA-first 对照，而不是参数量、架构或训练数据的受控因果消融。

large unified 随后在与 small 完全相同的冻结 8 句上以 8/8 通过：2,019 个真实 codes、24,228 representation bits，聚合 480.57 bps；完整 payload 聚合 1788.99 bps。五句 partial-hop 均精确 恢复原长，odd-length 英文 critical 第三次 source-blind replay 字节一致；最大进程树 RSS 1.55 GB，8 句没有满幅 PCM16 样本。large 与 small 的 2,019 个 token 位置零相同，只能说明 权重形成不同 code identity，不能说明 large 质量更高。两者现在共同进入内容/质量指标；下一 执行项为 large speech 75-token 单句探针，并继续作为独立系统计账。