论文把可控多说话人对话 TTS 写成一个「规划 → 逐句合成 → 句级与场景级 critique → 定向修正」的闭环。规划用 Gemini 2.5 Flash，句级 critique 用 Gemini 2.5 Pro，场景级 critique 用 Gemini 3.1 Pro Preview，最多迭代 10 轮。
核心贡献是 ControlEdit-TTS：在 Qwen3-TTS-12Hz-1.7B-CustomVoice 上两阶段续训（约 2,000 小时自合成指令数据，再加约 1,400 小时自合成编辑对和 300 小时录音），让同一个 AR 模型既能按指令合成，也能按自然语言把已有语音的情感、语速、响度改掉。critique 判出可编辑的风格错误就走编辑，内容、发音、音色错误走重合成，停顿问题只调静音长度。
论文还构建了一个中英双语对话 benchmark（正文写 58 中文 + 60 英文故事，附录 Table S1 写 57 + 60，共 5,505 句对话）。
句级指令遵循（Table 1，Gemini 2.5 Pro 打 Yes/Partial/No 和 1–5 分）：
这里有一个论文没有展开的对照。Higgs-Audio v3 在同一框架里只能重合成，它的 88.8% / 4.689 高于 ControlEdit-TTS (edit disabled) 的 87.0% / 4.639。也就是说，在论文设置中，两阶段续训出来的 backbone 在「只重合成」条件下并不比一个现成的 Higgs-Audio v3 强，全部优势来自编辑这一个能力。
说话人相似度（Table 1）上，full 为 0.776 / 0.791（中 / 英），低于 SoulX-Podcast 的 0.827 / 0.861，差 0.051 / 0.070。英文上 full 与 Higgs-Audio v3（0.790）、VibeVoice-7B（0.790）基本持平。论文用「SoulX-Podcast 指令遵循低」解释这一点，而摘要里写的是 “preserving speaker identity”，这个表述在 Table 1 上只对 one-shot 自比成立。
对话级偏好（Table 2，Gemini 3.1 Pro Preview 成对评判，中文 93 对、英文 94 对）：
人工评测（Figure 3 / Table S8，30 对 × 3 人 = 90 次判断）：
编辑 vs 重合成的收敛分析（Figure 4）只在 17 个挑出来的困难案例上做，残余问题数在第 4 轮从 9.74 降到 5.30（−45.6%），edit disabled 降到 7.16（−26.5%）。第 5 轮两者都出现反弹，full 回升到 5.55。
按子任务分三类核对。GitHub 数据来自本次 gh search repos / gh repo view。
1. 指令驱动的语音编辑模型（直接对位 ControlEdit-TTS 的编辑模式）
它是最该出现的基线。最直接的做法是把 Step-Audio-EditX 作为编辑器插进「Higgs-Audio v3 / VoxCPM2 + 本文框架」里。现在这两个 agentic 基线被设定为「不支持编辑，一律重合成」，这个设定在有公开编辑模型可用时偏向本文。
2. 直接多说话人对话模型
_paper_reviews/2026-08-03/2608.02235v1.md 和 _paper_reviews/2026-07-27/2607.23938v1.md 都把它列为对话 TTS 的常规基线。论文选的五个对话基线（SoulX-Podcast、Fish Audio S2、VibeVoice-1.5B/7B、Any2Speech）都是 2025–2026 年的，覆盖面并不差。缺 MOSS-TTSD 和 FireRedTTS-2 对中文对话场景是一个实打实的缺口，因为这两个都是中文强项的开源对话模型。
3. Agentic 音频生成框架
4. 自身 backbone
检索记录：OpenAlex 在前 5 次检索后返回 “Rate limit exceeded / Insufficient budget”，免费额度耗尽，后续 OpenAlex 检索全部失败；这 5 次的结果相关性很低，没有提供有用锚点。free-search（bing）对 “MOSS-TTSD”、”Step-Audio-EditX”、”AuDirector” 返回的大多是无关页面，仅确认了 MOSS-TTSD 与 Step-Audio-EditX 的存在。上面的年份和 star 数主要来自 GitHub 检索。
| 基线 | 年份 | 备注 |
|---|---|---|
| SoulX-Podcast | 2025-10 | 官方 checkpoint，直接对话；不支持逐句自然语言风格控制，却按「语义隐含风格」被判指令遵循 |
| Fish Audio S2 | 2026-03 | 用 inline tag 表达目标风格 |
| VibeVoice-1.5B | 2025-08 | 同上，无逐句风格控制 |
| VibeVoice-7B | 2025-08 | 同上 |
| Any2Speech | 2026-03 | 商业 API，默认设置 |
| Higgs-Audio v3（+本文框架） | 2026 | 只能重合成，不给编辑器 |
| VoxCPM2（+本文框架） | 2026-06 | 只能重合成；附录 S2.7 写它「直接读中文 instruct 字段」，英文集上的指令形式没有交代 |
| ControlEdit-TTS 自身消融 | 2026 | one-shot / edit disabled / utterance only |
基线年份本身没问题，最老的是 2025-08。问题集中在两个设置上。
第一，五个直接对话模型里有四个不接收逐句风格指令，Table 1 却拿「语义和上下文隐含的目标风格」去评它们的指令遵循。这相当于在没告诉模型要求的情况下考它有没有满足要求，Table 1 下半部分与上半部分因此不可比。
第二，两个 agentic 基线被剥夺了编辑能力，而公开可用的编辑模型（Step-Audio-EditX）存在。
论文没有报任何方差、置信区间、多 seed 或显著性检验，下面的噪声量级都是按测试集规模估算的。
句级（Table 1）：测试集约 5,505 句。按句独立的二项标准误，Yes 率在 87%–95% 区间约 0.3–0.5 个百分点；按故事聚类（117 个故事）取上界，约 2–3 个百分点。full 对 edit disabled 的 8.5 个百分点、对 Higgs-Audio v3 的 6.7 个百分点，统计上都超出这个量级。
但这些统计意义被评测设计抵消掉了大半，见下一条。
循环评测（最关键的问题）：
本文系统在推理时会对每句话反复调用同一个评委，直到评委判通过或到 10 轮上限；直接对话基线则一次生成、不经过这个评委。在这种设置下，Table 1 的 95.5% 很大程度上度量的是「对评委做了多少轮拒绝采样」，独立的指令遵循能力只占其中一部分。
edit disabled 与 Higgs/VoxCPM2 基线同样经过评委循环，因此这三者之间的比较相对公平；而与五个直接对话模型的比较，在 Table 1 和 Table 2 上都带有系统性偏向。
论文在评测协议里说「Gemini 与人工对话判断的一致性在附录报告」，附录 S4.2 实际给的是自动检出问题被人工确认的比例（Table S9，总体 0.895）。这个数只衡量 precision（359 个确认 / 42 个误报），不含漏检，与成对偏好的人机一致性也是两回事。
对话级（Table 2）：对 VoxCPM2 中文 52/41，按决定性判断做双侧精确二项检验 p ≈ 0.30（本评审计算），在 93 对的规模下与 50% 无法区分。对 VibeVoice-7B 中文 56/36，p ≈ 0.047，处在边缘。其余对比 p 均很小。
人工评测（Table S8）：5 名听者，每组 30 对、每对 3 人。没有置信区间，没有听者间一致性，没有报告听者背景，样本如何从 117 个故事中抽取也没写。
挑选子集：Figure 4 的 17 个案例是按「refinement 问题多」挑的，只跑一次，没有方差，第 5 轮还出现反弹。这张图能说明编辑在困难案例上收敛更快，不能外推到整个 benchmark。
benchmark 来源：故事由 Gemini 2.5 Pro 和 GPT-5.4 生成，再按「对话轮数更少」选（Table S1 中文 51/57、英文 57/60 来自 Gemini），参考音色由 Qwen3-TTS-VoiceDesign 生成，逐句标签由 LLM 解析。生成故事、标注指令、合成 backbone、评委都出自少数几个模型家族，benchmark 与系统之间的独立性同样偏弱。
_paper_reviews/2026-08-07/2608.06900v1.md 记录了 AuDirector（2605.11866）属于同期 agentic 音频生成工作，印证该方向在 2026 年是活跃问题。OpenAlex 因额度耗尽失败。_paper_reviews/2026-07-27/2607.23938v1.md 把 FireRedTTS-2 列为常规 TTS 基线。free-search 对这几个名字返回大多无关，OpenAlex 失败。_paper_reviews/2026-08-07/2608.06900v1.md 记录了 AuDirector 的闭环设计。gh repo list xkx-hub 只找到 FStD-demo（0 star），检索 “ControlEdit-TTS” 无结果。论文抓住了对话 TTS 生产中的一个真实问题：大部分句子可用、少数句子风格不到位时，局部编辑比整句重生成更省也更稳。在论文设置中，编辑能力的价值有比较干净的证据：同一 backbone 下加编辑让 Yes 率从 87.0% 升到 95.5%，人工测试里 full 对 utterance-only 消融 73 胜 6 负，场景级 critique 的作用也由人工评测印证。附录把 benchmark 构造和全部 prompt 都写了出来，透明度不错。
主要问题在于评测的独立性和对照的完整性。critique 与评委是同一个 Gemini 模型，本文系统对评委做了最多 10 轮拒绝采样，而直接对话基线不经过评委，Table 1 和 Table 2 对外部基线的优势因此带有系统性偏向。最直接的对位工作 Step-Audio-EditX、两个开源中文对话模型 MOSS-TTSD 与 FireRedTTS-2、以及被引用的 AuDirector / Audio-Oscar 都没有进实验，agentic 基线还被设定为不能编辑。只重合成时 Higgs-Audio v3 反而高于自家 backbone。人工评测规模偏小（5 人、每组 30 对），没有置信区间和听者一致性，Fish Audio S2 的计数与声称不符。代码、权重和 benchmark 均未发布。
| 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 | ❌ | 2 | 1.0 | 2.0 |
| 四 压缩公理 | ⚠️ | 4 | 1.0 | 4.0 |
| 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 | ❌ | 2 | 1.0 | 2.0 |
加权总分: 4.11/10（加权分之和 39.0 / 权重之和 9.5） 最终建议: Weak Reject