TinyAudio 是一个总参数 $87$M 的 flow-matching 文生音频系统，由 $32$M 的 TA-CLAP 文本编码器、$35$M 的单流 TA-DiT 生成器和 $20$M 的 TA-VAE 解码器拼成。 核心贡献是一套压缩配方：单流 DiT 加跨层共享的 AdaLN 调制、SigLIP 式对比学习适配的小文本编码器、按 AudioBox Aesthetics 与 CLAP 打分筛选的 $417$K 条 SFT 数据，以及一个 MeanFlow 一步版 TinyAudio-MF。 论文的卖点是显存与参数，质量只声称”competitive”。
在论文 Table 1 的 AudioCaps 部分，TinyAudio 没有任何一项指标排第一。
| 指标 | TinyAudio | 最强基线 | 差距 |
|---|---|---|---|
| FAD ↓ | $2.65$ | GenAU-L-Full $2.07$ | 差 $0.58$，相对差 $28\%$ |
| FD ↓ | $18.24$ | MeanAudio-L-Full $14.06$ | 差 $4.18$，相对差 $29.7\%$ |
| KL ↓ | $1.32$ | Tango-2-Full $1.20$ | 差 $0.12$ |
| IS ↑ | $10.44$ | TangoFlux $12.81$ | 低 $2.37$，相对低 $18.5\%$ |
| CLAP ↑（TTA-Bench） | $0.429$ | Resonate $0.476$ | 低 $0.047$，相对低 $9.9\%$ |
| PQ ↑（TTA-Bench） | $5.996$ | Resonate $6.064$ | 低 $0.068$ |
FD 一项，TinyAudio 在表中 $11$ 个系统里排第 $7$，只好过 AudioLDM-L-Full（$29.50$）、AudioLDM2-Large（$25.53$）、TangoFlux（$20.65$）和 TinyAudio-MF 自己（$23.65$）。 论文正文也承认”higher FD than most compared systems”。
一步版 TinyAudio-MF 的退化更大：FAD $2.83$、FD $23.65$、IS $8.47$、CLAP $0.403$，FD 比 25 步版涨了 $5.41$。
真正的优势落在部署开销上。 在论文的单卡 FP32、batch 1 设置下，TinyAudio 峰值显存 $0.48$ GB，最省的基线 AudioLDM-L-Full 是 $3.89$ GB，约 $8.1$ 倍；推理参数 $87$M 对最小的 TangoFlux $937$M，约 $10.8$ 倍，”over 90% fewer” 成立。
GPU 速度上，TinyAudio 25 步加 CFG 的 RTF 为 $0.078$，反而慢于 $480$M 的 MeanAudio-L-Full（$0.057$，25 步无 CFG）。 参数少了 $5.5$ 倍，而速度没有赢，因为 CFG 让函数调用次数翻倍成 $50$ 次。
CPU 实时性只给了 TinyAudio-MF 一个数：在两颗 Xeon Gold 6530 的服务器节点上用 cgroup 限到四核，RTF $0.715$。 没有任何基线的 CPU 对照，也没有在真实端侧硬件（手机、树莓派、ARM）上测。
消融里有两处与正文叙述对不上。
第一，Table 4 中 Quality-Aware SFT 的 FAD 是 $2.651$，比不做 SFT 的 Pretraining only（$2.471$）更差 $0.18$，只有 KL（$1.322$ 对 $1.362$）和 IS（$10.442$ 对 $10.231$）略好。 主模型用的是 SFT 后的 checkpoint，所以按 FAD 算，SFT 这一步在论文设置中是负收益，论文只拿它和 Random SFT（$3.412$）比。
第二，Table 3 中 Base 的 KL 是 $1.399$，反而差于 Per-block AdaLN（$1.370$）和 Dual-stream MMDiT（$1.349$）。 Base 只在 FAD 和 IS 上占优，正文概括成”better overall quality trade-off”。 正文 §3.4 还把这张表写成了 “Table 4”，属于表号笔误。
主表 9 个基线全是 $470$M 到 $1253$M 的大模型，没有一个紧凑型对手。 一篇主打”小”的论文，比较对象却全是它要替代的大模型，这让”competitive”无从检验。 下面几个在投稿时应该出现：
| 缺失基线 | 时间 | 为什么该比 | 公开权重 |
|---|---|---|---|
| Stable Audio Open Small（ARC post-training，arXiv 2505.08175） | 2025-05 | 直接面向端侧的 TTA，DiT 从 $1.06$B 压到 $0.34$B，论文自称在移动端约 $7$ 秒生成约 $12$ 秒 44.1 kHz 立体声 | 有，HF stabilityai/stable-audio-open-small（$297$ likes） |
| AudioGAN（arXiv 2512.22166） | 2025-12 | 标题同样是 “Compact and Efficient… Real-Time”，自报 $28$M 参数、$1.34$ GB 显存、AudioCaps FAD $1.38$、FD $12.66$（其论文 Table 1，评测设置未与本文对齐） | 有，HF SeaSky1027/AudioGAN，GitHub 仓库存在 |
| MeanAudio-S-Full（同组） | 2025-08 | $120$M 的同组小模型，支持一步生成，是 TinyAudio-MF 最直接的对照；主表只放了 $480$M 的 L 版 | 有，HF AndreasXi/MeanAudio |
| PixArt-α 的 adaLN-single（arXiv 2310.00426） | 2023 | 方法先例，见公理六 | 不适用 |
AudioGAN 的数字是它自己报告的，FAD 实现与测试子集未必和本文一致，所以只能说明存在一个更小、自报更好的公开对手，不能直接判定 TinyAudio 输了。 而这正是本文应该自己跑一遍的理由。
MeanAudio-S-Full 的锚点来自仓库内既有评审 _paper_reviews/2026-07-11/2607.10421v1.md（FdAudio）：其中引用 MeanAudio 一步 FD $14.35$、FAD $1.77$。
跨论文的评测流程不同，这里只作量级参考：TinyAudio-MF 一步 FD $23.65$，差距量级在 $9$ 个 FD 点。
| 基线 | 年份 | 备注 |
|---|---|---|
| AudioLDM-L-Full | 2023 | arXiv 2301.12503 |
| AudioLDM2-Large | 2024 | TASLP，arXiv 2023 |
| Tango-Full | 2023 | ACM MM |
| Tango-2-Full | 2024 | ACM MM |
| MeanAudio-L-Full | 2026（ACL；arXiv 2025-08） | 同组，只比 L 版，未比 S 版 |
| EzAudio-XL | 2025 | Interspeech |
| GenAU-L-Full | 2026（IJCV；arXiv 2024） | |
| TangoFlux | 2026（ICLR；arXiv 2024-12） | |
| Resonate | 2026 | Interspeech，同组；TTA-Bench 数字照搬其评测 |
基线年份本身够新，2025–2026 年的有 5 个。 问题出在尺寸维度：所有基线的推理参数都是 TinyAudio 的 $10.8$ 到 $24.4$ 倍（$937$M–$2120$M 对 $87$M），同尺寸区间是空的。 主观评测（Table 2）只选了 TangoFlux、EzAudio、AudioLDM 三个，客观指标上更强的 MeanAudio、Resonate、GenAU 没有进听测。
论文全篇没有多 seed、方差、置信区间或显著性检验，客观指标全部是单次运行。
主表 AudioCaps 测试集大小没写清，消融说用 $957$ 条测试样本。 按约 $1$K 条样本粗估，FAD 的 seed 间波动通常在 $0.05$–$0.15$ 量级（这是估算，论文未提供）。 主表上 TinyAudio 对最强基线是落后 $0.4$–$0.6$ FAD、$4$ 个 FD 点，这个差距大于噪声，”competitive”的成色要按”明显落后但同一档位”来读。
消融就落进噪声区了。 Table 3 中 Base 对 Per-block AdaLN 的 FAD 差 $0.164$，单 seed、只训 $200$K 步，KL 方向还相反，支撑”共享调制更好”的证据偏弱。
主观评测（Table 2）是 $10$ 位听者、每个模型 $10$ 条样本。 TinyAudio OVL $3.560\pm0.985$，TangoFlux $3.505\pm0.989$，差 $0.055$。 按每模型 $100$ 个评分算，均值标准误约 $0.985/\sqrt{100}\approx0.10$，$95\%$ 区间约 $\pm0.19$；若 10 条样本是同一批，按条目算的有效样本只有 $10$，区间还要宽得多。 所以”OVL 排第一”在统计上与 TangoFlux 无法区分，REL（$3.520$ 对 $3.600$）同样如此。
TTA-Bench 存在循环评测。 SFT 数据按 AudioBox Aesthetics 的 PQ、CE、CU 阈值和 LAION-CLAP 相似度筛选（§2.4），TTA-Bench 报告的恰好是 AudioBox Aesthetics 的 CE/CU/PC/PQ 加 CLAP 相似度（§3.2）。 TinyAudio 在 TTA-Bench 上唯一接近第一的指标是 PQ（$5.996$，第二），而 PQ 正是数据筛选目标之一。 TTA-Bench 基线数字照搬 Resonate 论文，没有在同一流程下重跑。
stabilityai/stable-audio-open-small 创建于 2025-05-12；GitHub 确认 SeaSky1027/AudioGAN 与 xiquan-li/MeanAudio（$153$ stars，README 列出 MeanAudio-S-Full $120$M 权重）存在。OpenAlex 前两轮返回了结果（命中 “Efficient Text-to-Audio Generation via Pruning”，2026-07-14，未能拿到正文细节），随后日配额耗尽返回 Rate limit exceeded；free-search 的 bing 源对英文查询只返回词典页，dblp/arxiv 源返回空；Semantic Scholar 返回 429。_paper_reviews/2026-07-15/2607.13408v1.md 记录了同一子领域”训练用的 judge 与评测用的 judge 同族”的循环问题，可作为对照；本文的问题形态相同，只是 judge 换成了 AudioBox Aesthetics。_paper_reviews/2026-07-11/2607.10421v1.md）引用 MeanAudio 一步 FD $14.35$。两者评测流程与本文未对齐，只作量级锚点。junxi25liu/TinyAudio 截至检索时只有 .gitignore 与 README.md 两个文件，README 的代码、模型、训练、评测各节全部写着 “Coming soon”，仓库 $19$ stars。超参数（18 层、hidden $384$、8 头、CFG $9$、500K+200K 步、batch $1024$）写得比较全，但 SFT 筛选阈值在 HTML 中依赖公式渲染，训练语料含商业来源 AudioStock，TTA-Bench 基线数字是转抄。现阶段无法复现。gh api repos/junxi25liu/TinyAudio/contents 返回 ['.gitignore', 'README.md']，仓库最近更新 2026-09-30。TinyAudio 把一个 TTA 系统完整地压到了 $87$M 参数、$0.48$ GB 显存，三个组件各自都有消融或单独评测（Table 3–5），TA-CLAP 用 $67$M 在 AudioCaps 检索上与 $200$M 的 LAION-CLAP 打平甚至略好（A→T R@1 $48.9$ 对 $44.2$）。 作为一份”小模型能做到什么程度”的工程报告，数据是有用的。
主要问题在于比较对象选错了尺寸档。 主表全是大模型，TinyAudio 在 AudioCaps 每一项指标上都输给最强基线（FD 落后约 $30\%$），而真正该比的同档对手 Stable Audio Open Small、AudioGAN、MeanAudio-S-Full 都有公开权重却一个没出现。 “低资源部署”只在服务器 GPU 和服务器限核 CPU 上测过，CPU 侧没有基线。 TTA-Bench 上的 Aesthetics 指标与 SFT 数据筛选信号重合，构成循环评测；主观评测规模只有 $10\times10$，领先幅度在噪声内。 Table 4 显示 quality-aware SFT 让 FAD 从 $2.471$ 变差到 $2.651$，论文对此没有讨论。 共享调制的设计与 PixArt-α 的 adaLN-single 同构且未引用，代码和权重目前也都没放出。
| Axiom | 判定 | 分数 | 权重 | 加权分 |
|---|---|---|---|---|
| 一 对象公理 | ⚠️ | 7 | 1.0 | 7.0 |
| 二 识别公理 | ⚠️ | 4 | 1.5 | 6.0 |
| 三 独立性公理 | ⚠️ | 4 | 1.0 | 4.0 |
| 四 压缩公理 | ✅ | 8 | 1.0 | 8.0 |
| 五 效用公理 | ⚠️ | 5 | 2.0 | 10.0 |
| 六 新颖性公理 | ⚠️ | 4 | 2.0 | 8.0 |
| 七 可复现公理 | ❌ | 3 | 1.0 | 3.0 |
加权总分: 4.84/10（加权分之和 46.0 / 权重之和 9.5） 最终建议: Weak Reject