我现在已经有足够的研究依据了。让我来整理这篇综述。我已经获得了完整的论文文本，执行了所有必要的 wiki 查询（均未返回结果），搜索了 paper-wiki（找到了 CosyVoice3、Fish-Speech-S2、VoxCPM2、InstructTTSEval、SPAM、DMP-TTS、DisCo-Speech），并进行了自由搜索（找到了关键的相关研究 “Do You Hear What I Mean?” 2509.13989）。
论文以受控配对审计（paired audit）为核心方法，分析三个语音生成系统在描述符条件下的非目标变化模式，并提出 VoDER-Cal 推理时候选重排序方法。主体是分析型贡献（发现 coupled changes 的系统模式），附带一个轻量方法贡献和辅助听感实验。
依据: 论文提出的对象是”prompt adherence 与 attribute-specific control 之间的差距”，即当系统响应一个 voice descriptor 时，非目标属性是否保持稳定。这个问题真实存在：用户请求 “deep” 时，系统可能同时改变语速、能量、频谱等。配对实验设计（neutral baseline vs descriptor-conditioned）合理地操作化了这一对象。
但存在几个缺口：(1) 核心概念”attribute-specific control”的信号级代理定义较窄——deep 仅映射到 F0↓ + rolloff↓，bright 到 centroid↑ + rolloff↑，rough 到 flatness↑ + ZCR↑。论文自己承认 flatness/ZCR 是 roughness 的有限代理。这意味着”off-target”的定义依赖于一个不完整的目标集，可能将部分目标变化误判为 off-target，或遗漏真正的 off-target 维度。(2) 问题的重要性论证不够充分。论文没有说明这种 coupled change 在实际应用中造成了什么具体危害（如用户可感知的退化、组合控制失败率），而是停留在信号级测量层面。(3) 只覆盖 3 个 primary descriptors（deep, bright, rough），warm/young/professional 仅作补充。问题的普遍性受限。
与同期工作 “Do You Hear What I Mean?” (2509.13989) 相比，后者从人类感知角度研究 instruction-perception gap，覆盖了 graded emotion intensity 和 adverbs of degree 等更丰富的维度。本文的信号级分析视角是互补的，但对象定义的广度和感知锚定不如同期工作。
Wiki 证据: OMC wiki 无记录。paper-wiki 收录了 InstructTTSEval (2506.16381) 和 SPAM (2601.05554)，两者均关注 prompt adherence 评测但未涉及 off-target preservation 维度。free-search 发现 “Do You Hear What I Mean?” (2509.13989) 是直接相关的同期工作（2025年9月提交，ICASSP 2026），研究 instruction-guided TTS 的 instruction-perception gap。
分数: 6
依据: 论文的分析框架较好地隔离了变量：配对设计（同系统、同说话人、同文本、同种子）控制了非描述符因素；neutral/nonsense 对照条件量化了纯 prompt 扰动效应；lower-pitch 正控条件验证了接口和测量管线的方向性。统计推断在 request 级别进行，避免将种子重复当作独立观测。
但 VoDER-Cal 的因果识别较弱：(1) 联合成功率从 4.8% 到 ~14% 的提升几乎完全来自候选池扩大（candidate availability），而非重排序规则本身——VoDER-Cal vs Target-only 的差异仅 +0.19 个百分点（95% CI [-0.56, 0.93]），统计上不显著。论文诚实地报告了这一点，但将 VoDER-Cal 作为核心方法贡献时，其因果效力明显不足。(2) VoDER-Cal 的连续指标改善（held-out deviation 0.344→0.276）可能部分来自 selector-evaluator 特征同族相关性——论文承认 “selector and evaluator features belong to the same correlated measurement family”。
Wiki 证据: OMC wiki 无记录。paper-wiki 无 VoDER 相关条目。free-search 未发现 prior work 使用相同候选重排序方法。
分数: 5
依据: 评测设计的独立性较好：(1) 声学/韵律测量使用标准信号处理工具（librosa, pYIN），不依赖任何被评测系统的内部表示。(2) ASR (Whisper) 和 speaker embedding (ECAPA-TDNN, x-vector) 与被评测系统独立。(3) 阈值在校准集上确定后不变地应用于评测集。(4) held-out off-target 特征与 selector-side 特征不重叠。(5) 听感实验为盲评，VoDER-Cal 和 Target-only 身份隐藏且位置平衡。(6) 三被评测系统独立开发。
轻微问题：ASR 和 speaker embedding 模型虽独立于被评测系统，但仍是学习型模型，可能有各自的偏差。听感实验仅 10 位听众、45 样本，统计效力有限。但整体独立性在分析型论文中达标。
Wiki 证据: OMC wiki 无记录。paper-wiki 确认 CosyVoice3、Fish-Speech-S2、VoxCPM2 由不同团队独立开发。free-search 未发现循环论证风险。
分数: 8
依据: 论文的分析框架简洁：配对差分 + 信号级目标集 + request 级 bootstrap。没有引入不必要的复杂模块。VoDER-Cal 也很简洁——feasibility gate + off-target deviation 排序，无需训练或访问模型内部表示。
论文发现的规律具有压缩价值：同一 descriptor 在不同系统中通过不同 acoustic 组合实现（deep 在 CosyVoice3 主要降 F0，在 VoxCPM2 还降能量，在 Fish-Speech-S2 降 F0 但不改速率）。这是一个可迁移的系统行为差异发现。论文也诚实地讨论了局限性：特征间相关性意味着 shifted-feature 计数不代表独立属性数。
唯一不足是 VoDER-Cal 的 “training-free candidate selector” 概念在 NLP/speech 领域已有大量 best-of-N 先例（论文引用了 [19, 20]），方法本身压缩度不高但应用场景（attribute preservation 而非 content reliability）是新组合。
Wiki 证据: OMC wiki 无记录。paper-wiki 收录了 DMP-TTS (2512.09504) 和 DisCo-Speech (2512.13251)，两者从模型架构角度解决 disentanglement，而本文从评测角度切入，是不同维度的压缩。
分数: 7
依据: 分析贡献的效用尚可：5,940 outputs 的配对审计规模合理，三个系统 × 三个描述符 × 六说话人 × 十文本 × 三种子的 factorial 设计提供了系统性的证据。54.5%–95.8% 的 target-responsive 输出存在至少一个 substantial off-target deviation，这一发现可靠且有意义。
但 VoDER-Cal 的方法效用较弱：(1) 绝对联合成功率仅 14.3%——即使在三候选池下，85.7% 的请求仍无法同时满足 target/content/speaker/preservation 四项标准。这一绝对水平远未达到实用。(2) 相对 Target-only 的改善在 binary 成功率上不显著（+0.19pp, CI 包含 0）。(3) 连续指标改善（0.344→0.276, ~20% 相对降低）虽有意义，但 Oracle 下界为 0.225，说明三候选池本身的 preservation 上限有限。(4) 论文没有与任何外部 preservation-aware baseline 比较——没有 prior work 做过 attribute preservation reranking，但也没有构造简单的替代方案（如随机选择 feasible candidate、选择最低 F0 变化的 candidate 等）来验证 VoDER-Cal 排序规则的必要性。
baseline 覆盖方面：论文评测了三个 2025-2026 年的系统，baseline 选择合理。但缺少与 InstructTTSEval/SPAM 评测框架的对接——论文提出 preservation-sensitive evaluation complements prompt-adherence evaluation，但没有展示如何在现有 benchmark 上集成。
Wiki 证据: OMC wiki 无记录。paper-wiki 确认 InstructTTSEval (2506.16381) 和 SPAM (2601.05554) 是当前 prompt adherence 评测的 SOTA，本文未与之比较。free-search 发现 “Do You Hear What I Mean?” (2509.13989) 在 ICASSP 2026 发表，覆盖 5 个 ITTS 系统和 165+ 人类评分者，在评测规模和感知锚定上更强。
分数: 5
依据: 论文有两个潜在新颖性贡献：
(1) Preservation-sensitive paired audit：将 prompt adherence 评测扩展为 target response + off-target preservation 的双维度评测。这是一个真实的新视角。但同期工作 “Do You Hear What I Mean?” (2509.13989, 2025年9月) 已经从 instruction-perception gap 角度研究了类似问题——”指令和感知之间的对齐”本质上也在问”系统是否做了用户期望的事”。本文的信号级配对审计角度与感知级评测角度互补，但问题新颖性被部分削弱。InstructTTSEval 和 SPAM 已关注 instruction-following fidelity 的自动评测，本文的 preservation dimension 是增量而非全新。
(2) VoDER-Cal：training-free candidate reranking for attribute preservation。Best-of-N 和 ASR self-verification 在 TTS 中已有应用（论文引用 [19, 20]），但将其优化目标从 content reliability 改为 attribute preservation 是新组合。然而，这是一个标准技术的简单迁移：feasibility gate + 单指标排序，没有新的机制或理论贡献。
组件必要性：论文没有对 VoDER-Cal 的各组件做消融（如不同 ρ 值的效果仅做了 sensitivity analysis，但没有拆解 feasibility gate vs ranking rule 的各自贡献）。
Wiki 证据: OMC wiki 无记录。paper-wiki 确认 InstructTTSEval、SPAM 为现有 prompt adherence 评测框架，本文未引用 ControlSpeech (2406.01205) 的独立控制视角。free-search 确认 “Do You Hear What I Mean?” 为同期相关工作（时间差 < 12 个月，部分视为 concurrent）。
分数: 5
依据: 论文提供了完整的复现条件：(1) 代码、配置文件、分析脚本开源 (https://github.com/intelland/VoDER)。(2) 三个被评测系统的模型标识符明确给出（FunAudioLLM/Fun-CosyVoice3-0.5B-2512, openbmb/VoxCPM2, fishaudio/s2-pro）。(3) 固定归一化尺度、特征定义、阈值规则均在 Supplementary Material 中给出。(4) 六说话人、十文本、三种子、十一条件的生成矩阵完整描述。(5) 统计方法（request-level bootstrap, 10,000 replicates）和阈值确定方法透明。
轻微不足：十文本的具体内容需查代码仓库确认；听感实验的具体样本和标注界面未在论文中详述（但指向 supplementary）。
Wiki 证据: OMC wiki 无记录。paper-wiki 确认三个被评测系统均有公开模型权重。
分数: 8
| Axiom | 判定 | 分数 | 权重 | 加权分 |
|---|---|---|---|---|
| 一 对象公理 | ⚠️ | 6 | 1.0 | 6.0 |
| 二 识别公理 | ⚠️ | 5 | 1.5 | 7.5 |
| 三 独立性公理 | ✅ | 8 | 1.0 | 8.0 |
| 四 压缩公理 | ✅ | 7 | 1.0 | 7.0 |
| 五 效用公理 | ⚠️ | 5 | 2.0 | 10.0 |
| 六 新颖性公理 | ⚠️ | 5 | 2.0 | 10.0 |
| 七 可复现公理 | ✅ | 8 | 1.0 | 8.0 |
加权总分: 5.7/10（加权分之和 56.5 / 权重之和 9.5） 最终建议: Borderline 5-6.5