我现在已经掌握了充足的事实依据。关键发现：StarTSE (arXiv 2604.19635) 被确认为基础模型，而 MeanFlow-TSE (Interspeech 2026)、FlowTSE (Interspeech 2025)、TargetVoice (Interspeech 2025) 以及 Discriminative-Generative TSE (arXiv 2601.06006) 是相关的最新 TSE 工作。关于语音的 DPO：已存在针对 TTS 的 MPO、DiffRO、Preference Alignment 等方法。WavLM 用于说话人验证是标准做法。我已经获取了全文及所有附录表格。现在我将输出最终评审。
本文在 StarTSE 流式 TSE 基线上提出两项改进：增大 Conformer 卷积核 (k=15) 和 WavLM 锚定 DPO 微调，以打破语音质量与可懂度之间的 trade-off。属于方法型论文。
依据: 论文包含两类消融：(1) Conformer kernel size ablation (Table 3: Transformer vs k=3 vs k=15)，隔离了卷积核大小变量；(2) 三种 DPO 排序准则对比 (Table 2: DPO_DNSMOS vs DPO_WER vs DPO_WavLM)，在同一组 16 个候选输出上仅改变排序准则。两个改进的贡献被量化分解：k=15 贡献 6.5% WER 降幅 (0.138→0.129)，DPO_WavLM 贡献 4.7% (0.129→0.123)。
但存在缺口：(1) 缺少最简 baseline——未尝试直接用 WavLM 相似度作为训练 loss（非 DPO 形式）做 fine-tuning，无法证明 DPO 框架本身比直接优化 WavLM 相似度更优。(2) DPO 只更新 semantic pathway（SELM + Shared Encoder），冻结 acoustic pathway，但未做”全模型 DPO”的对照组，无法确认 selective gradient 是否必要。(3) DPO_WER 不仅没改善 WER 反而略退（0.129→0.130），这个反直觉结果缺乏深入解释——为什么直接优化 WER 排序反而无效？(4) 16 个候选的采样温度/策略未详细说明，可能影响候选质量分布。
依据: 存在评测-训练循环风险：(1) DPO 偏好对用 WavLM 余弦相似度排序，最终评测中 speaker similarity 也用 WavLM 余弦相似度——训练锚点与评测指标完全重叠。DPO_WavLM 的 WavLM Sim 从 0.961→0.965 的提升可能部分来自循环优化，而非真实说话人相似度提升。(2) WER 用 Whisper LargeV3 评测，而 DPO_WER 变体用 WER 排序偏好对——虽然 DPO_WER 变体不是最终方法，但这说明评测工具被同时用于训练和评测。(3) DNSMOS 同时用于 DPO_DNSMOS 排序和最终质量评测。
不过关键缓解因素：论文的核心 claim 是 WER 改善（0.129→0.123），而 WER 不是 DPO_WavLM 的优化目标——WavLM 排序是间接的。WER 改善来自 WavLM 对音素结构的隐式编码，这是间接证据而非循环论证。此外，WeSpeaker 相似度（0.848→0.853）作为独立指标也有提升，不完全依赖 WavLM。但论文未使用独立的人类评测或不同 ASR 模型交叉验证 WER，循环风险仍为 major 级别。
依据: 方法由两个独立改进组合：(1) Conformer 替换 Transformer + 增大卷积核 k=3→15，(2) WavLM-anchored DPO。两个组件各有消融证明必要性（Table 3 和 Table 2），但组合本身缺乏压缩价值——没有统一的机制解释为什么这两个改进恰好互补。论文没有提出新的问题重构、trade-off 理论或可迁移的经验规律。
“WavLM 编码音素结构和说话人身份，因此是抗 reward hacking 的优化锚”——这个解释是合理的，但本质上是 WavLM 已知特性的直接应用，不是新发现。DPO 本身从 LLM 迁移到语音，论文证明了迁移后解决了真实问题（quality-intelligibility trade-off），但 DPO 在 TTS 中的应用已有先例（arXiv 2409.12403, 2509.00685），本文的增量是用 WavLM 相似度替代感知指标作为排序准则。存在轻度命名膨胀：”Deep-Feature-Anchored Preference Optimization” 实质是”WavLM cosine similarity ranked DPO”。
依据: 绝对值：最终 WER 0.123 在 Libri2Mix 两说话人混合下是一个可用但不算出色的结果——离线 LauraTSE 达到 0.082，流式 LauraTSE 达到 0.174。0.123 处于中间位置。DNSMOS OVL 3.122 仅比 baseline 3.117 高 0.005，这个”质量改善”在 DNSMOS 的 1-5 量表上几乎不可感知。
相对提升：WER 10.9% 相对改善 (0.138→0.123) 是有意义的，但全部收益中 6.5% 来自简单地增大卷积核（k=3→15），仅 4.7% 来自 DPO_WavLM 本身。DPO 的边际贡献较小。
指标覆盖：DPO_WavLM 在 WER、BAK、OVL、WavLM Sim、WeSpk Sim 上同时不退步或微升，这是 Pareto improvement，值得肯定。但 OVL 改善 0.001 (3.121→3.122) 和 SIG 退步 (3.541→3.491) 被淡化处理——SIG 下降 0.05 是实质性的信号质量退化。
Baseline 覆盖：缺少 MeanFlow-TSE (Interspeech 2026)、FlowTSE (Interspeech 2025)、TargetVoice (Interspeech 2025) 等同期 TSE 方法对比。这些方法在 free-search 中出现但论文未引用。Discriminative-Generative TSE (arXiv 2601.06006) 也未对比。
稳定性：Appendix Table 4 显示 DPO_WavLM 在 β=0.9, e0 达到最优 0.123，但 e1 退化至 0.129，e2 退化至 0.138——最优结果是 checkpoint selection 的产物，缺乏训练稳定性。
依据: 核心创新点——用 WavLM 余弦相似度排序 DPO 偏好对——是一个合理的迁移应用，但增量有限：(1) DPO 从 NLP 迁移到语音生成已有先例（TTS preference alignment, MPO）；(2) WavLM 余弦相似度作为 speaker similarity 指标是标准做法；(3) 将两者结合（用 WavLM 排序 DPO 对）是 A+B 组合。论文未证明 WavLM 排序比其他深度特征（如 HuBERT、wav2vec2）更优——只有 WavLM 一种深度特征，缺乏跨特征对比。
真正有价值的发现是 reward hacking 的诊断：DPO_DNSMOS 系统性擦除辅音瞬态（Figure 3 频谱图证据），以及 DPO_WER 直接优化 WER 反而无效——这些反直觉现象有启发价值。但论文对 DPO_WER 失败的解释（”transcription-only metric is too narrow”）不够深入，未分析是否 Whisper LargeV3 的转录与人类感知存在系统性偏差。
Conformer kernel k=15 的改进是标准工程调优，不构成新颖性。同期工作（2 个月内）不作为扣分依据，StarTSE (2604.19635) 是同一团队 3 个月前的工作，不算同期但属于同一研究线的连续工作。
依据: 论文提供了较详细的实现信息：6-block causal Conformer (hidden 512, 8 heads, k=15)，10-layer SELM，6-block ARLM，FunCodec 32 quantizers @ 25Hz，DPO lr=1e-5 warmup 200 steps，β ∈ {0.1,0.3,0.5,0.7,0.9}，3 checkpoints，10 nodes × 8 V100-32GB。数据集 Libri2Mix 公开可获取。DNSMOS、Whisper LargeV3、WavLM、WeSpeaker 均为公开模型/工具。
但缺失：(1) 代码未开源——论文未提供 GitHub 链接或代码仓库。(2) 16 个候选输出的采样策略（温度、top-k/top-p）未说明。(3) 偏好对构造的具体数量未报告（多少个 mixture × 16 candidates → 多少对）。(4) DPO 训练的 epoch 数/step 数未明确（仅用 e0/e1/e2 标记 checkpoint）。(5) StarTSE 基线模型本身是 arXiv preprint (2604.19635)，其预训练 checkpoint 是否公开未知。(6) 硬件依赖较高（80× V100），复现成本大。
| Axiom | 判定 | 分数 | 权重 | 加权分 |
|---|---|---|---|---|
| 一 对象公理 | ✅ | 8 | 1.0 | 8 |
| 二 识别公理 | ⚠️ | 6 | 1.5 | 9 |
| 三 独立性公理 | ⚠️ | 5 | 1.0 | 5 |
| 四 压缩公理 | ⚠️ | 5 | 1.0 | 5 |
| 五 效用公理 | ⚠️ | 5 | 2.0 | 10 |
| 六 新颖性公理 | ⚠️ | 5 | 2.0 | 10 |
| 七 可复现公理 | ⚠️ | 4 | 1.0 | 4 |
加权总分: 5.8/10（加权分之和 51 / 权重之和 9.5） 最终建议: Borderline 5-6.5