本文在 Qwen3-TTS 骨干（Talker 离散声学 token 生成 + Code2Wav 波形解码）之上构建了一套严格 token 级（零 lookahead）流式 TTS 系统，提出了两个互补机制：causal commitment（不确定性感知缓冲 + 容量自适应标点分割 CAPS）和 causal speech-state inheritance（跨段 Code2Wav 状态热启动 + 固定数量 Talker 历史状态 + 固定因果注意力先验）。同时给出了分段数量界的理论定理（Theorem 1）。整体以”如何在部分可观测前缀下做不可逆承诺并保持声学连续”为问题驱动的系统实现为主，附带轻量方法形式化。系统面向低延迟口语对话场景，工程部署（RTX 5090、BF16、并发 serving）纳入评测。
判定：✅ 分数：9/10
问题定义清晰：token 级流式 TTS 必须在前缀不确定（如 “He finished 3” 可能读作 three 或 third）且语音不可修订的条件下做不可逆承诺，同时要在无限流上保持感知连续性与有界上下文。三条要求（发音、呼吸间隙、延续性）明确，与离线/伪流式系统形成边界。对象有界：系统限定为因果零 lookahead，输入为异步到达文本 token，输出不可访问未来位置。问题在相关文献中可确证（LiveSpeech 2406.02897、SyncSpeech 2502.11094、SpeakStream 2505.19206、MagpieTTS-LF 2606.18485 均只做到句子级等待或有限 lookahead）。Wiki 证据：本地 paper-wiki/OMC 检索无此主题条目（记录为空）；arXiv 检索确认零 lookahead 严格 token 级系统尚无直接前作。
判定：⚠️ 分数：7/10
对比基线覆盖面良好：离线 Qwen3-TTS-12Hz-1.7B、F5-TTS（2410.06885）、FireRedTTS-2（2509.02020）、CosyVoice 2-S（2412.10117）、CosyVoice 3-S（2505.17589）。Table 1 首末行构成受控对比（同一骨干、同一权重，仅输入条件不同），能隔离 token 级输入的净效应。标点/固定窗口/固定比例策略作为最小基线出现在 Table 2。缺失证据：所有流式对比方均为 chunk 级（伪流式）系统，未纳入任何 token 级零 lookahead 竞争者（如 SpeakStream），因此”最优流式系统”结论仅在伪流式池内成立；Table 2 的 Fixed ratio 行在匹配预算协议下无 F1 数据。结论”outperforms on most metrics”成立，但公平性因竞争池局限而打折。
判定：✅ 分数：8/10
评测采用外部指标：识别用 Whisper（2212.04356）与 Paraformer，说话人相似度用 ECAPA-TDNN，自然度用 UTMOS 预测分 + 120 名听者的主观 MOS；连续度用自建 PBD（±1000 ms 窗内 ΔF0/ΔE 的 min-max 归一化均值）并经 passage 级 10,000 次 bootstrap 给出 95% CI。评测集为 SEED-TTS-Eval + 中文 TTS 语料普通话能力子集的 59 段 held-out 段落（954 个边界）。PBD 是自设指标，但公式与 bootstrap 流程透明。轻微保留：Table 3 的 UTMOS 为预测分而非人工评分，Table 4 的听者仅 120 人；语料具体来源未具名。
判定：⚠️ 分数：5/10
系统在 Qwen3-TTS 之上叠加了 token 驱动 FSM（CAPS）、不确定性缓冲、健康检查、双路径状态继承、固定因果注意力先验与有界注入（增益 g_u ∈ [0.0075, 0.015]），机制复杂度高于 chunk 流式系统。压缩公理衡量”真正更简单”，本文的贡献方向是”零 lookahead 能力”，附加机制并未简化管线。正面证据是形式化约束：Theorem 1 给出分段数上界 m_CAPS ≤ (1/α1) m*_C + 1，取 α1=0.7 时因子 ≤ 10/7 ≈ 1.429；注入扰动有显式界 ‖z’−z‖ ≤ 0.015·max‖m_j‖。复杂度代价换取了可证明的有界性，但”更简单”这一维度并不成立。
判定：✅ 分数：9/10
效用量化充分：单请求中位 TTFT 15.8 ms，128 并发 260.8 ms（≤120 ms 保持到 64 并发）；Table 4 符号/前缀歧义 CER 2.00%、完全正确朗读率 73.3%、语义保持率 93.33%，优于最强对比方 CosyVoice 3-S（6.65%/40.0%/60.0%）；Table 3 五项全部最优，PBD 0.1092 的 bootstrap 区间与最近对比方 FireRedTTS-2 0.1915 不相交，ΔF0 22.61 Hz、ΔE 1.66 dB、ECAPA 0.9511、UTMOS 3.92；Table 2 预算利用率从标点策略 11.77% 提升到 76.93%，硬切率从固定窗口 87.13% 降到 0.54%，边界 F1 0.952 超过 SaT-3L 的 0.940。对低延迟对话 TTS 的效用证据扎实。
判定：✅ 分数：8/10
causal commitment（将”何时可说”转化为容量约束下不可逆承诺的联合决策）与 causal speech-state inheritance（双路径：Code2Wav 完整状态 + 固定 H=4 个 Talker 状态、未来位置零权重的因果注意力先验）的组合是新的；相关工作中 LiveSpeech/SyncSpeech/SpeakStream 依赖未来文本，MagpieTTS-LF 使用 inference-time soft prior 但仍非零 lookahead，SaT-3L 仅做边界参考且访问最多 48 个未来子词。本文是首个严格零 lookahead 的 token 级系统，Fragmentation bound 定理与有界注入有形式化增量。保留点：两个机制各自的概念（缓冲歧义表达、跨段状态携带）在流式 ASR/同步翻译中已有相似思想（引文 14/20/21/25），系统级集成与形式化是增量而非范式突破。
判定：⚠️ 分数：4/10
代码仓库存在且为 MIT 许可：github.com/X-Square-Robot/X2Streaming-TTS，含 src、scripts、tests、patches、上游 Qwen3TTS-Streaming 固定 submodule。关键缺口：README 明确声明不发布模型权重、评测数据、实验结果、生成音频与 TensorRT 制品，且”更广泛的故障/并发/长流验证在进行中，首个 release candidate 之前未完成”；复现需要上游 custom-1.7b TensorRT checkpoint（未随仓库提供）。抽象摘要中全部数值结果无法从仓库直接复现。代码本身有 pytest 与 verify_upstream.py 校验链，工程质量良好，但权重/数据/结果三者齐缺，可复现性仅部分满足。
优点首先在于问题定位精准且有形式化支撑：将 token 级流式 TTS 建模为”部分可观测下的不可逆承诺”，causal commitment 与 causal speech-state inheritance 分别回答”何时可说”与”如何续接”，Theorem 1 给出分段数上界，有界注入给出扰动显式界。评测设计值得肯定：Table 1 首末行用同一骨干同一权重做受控对比，能干净地隔离 token 级输入的净损失（3/8 条件识别误差低于离线参考，最大退化 0.62 个百分点）；外部指标（Whisper/Paraformer/ECAPA/UTMOS/人工 MOS）与 passage 级 bootstrap 95% CI 提高了可信度。效用证据密集：15.8 ms 中位 TTFT、PBD 0.1092、符号 CER 2.00%、利用率 11.77%→76.93%，均为强量化结果。主要问题在于三点：其一，流式对比池全部为 chunk 级伪流式系统，缺少 token 级零 lookahead 直接竞争者，削弱了”最优流式系统”结论的竞争强度；其二，代码仓库不发布模型权重、评测数据与实验结果，README 明言验证未完成，完整复现需要未随附的 TensorRT checkpoint；其三，方法在 Qwen3-TTS 之上叠加了多层机制，压缩公理维度上的”更简单”不成立，复杂度与可证明性之间的权衡需要更清晰的论证。系统在对象、效用、新颖性上达到高标准，识别公理与可复现公理存在明确证据缺口。
| 一 对象公理 | ✅ | 9 | 1.0 | 9.0 | | 二 识别公理 | ⚠️ | 7 | 1.5 | 10.5 | | 三 独立性公理 | ✅ | 8 | 1.0 | 8.0 | | 四 压缩公理 | ⚠️ | 5 | 1.0 | 5.0 | | 五 效用公理 | ✅ | 9 | 2.0 | 18.0 | | 六 新颖性公理 | ✅ | 8 | 2.0 | 16.0 | | 七 可复现公理 | ⚠️ | 4 | 1.0 | 4.0 |
加权总分: 7.4/10
最终建议: Weak Accept