链接： https://arxiv.org/pdf/2512.19090
作者单位：JD SpeechTeam
发表时间：2025年12月22日
Demo地址：https://jea-speech.github.io/JoyVoice
01
架构分裂 ：主流的两阶段模型（先让AR模型预测离散语音token，再用扩散/流匹配模型转声学特征）是分开训练的，中间的量化会丢信息，而且AR模型只关心“预测对不对”，不管后续声学重建好不好，容易出问题；单阶段模型虽然联合训练，但感受野小（抓不住长上下文），如果输入语音有噪音，还会传到LLM里导致合成不稳定。 场景局限 ：现在大多只能做2人“你一言我一语”的对话，没法处理3个以上说话人的复杂场景；而且都是按“单句话”分割处理，长对话的韵律连贯性会断。 效率和鲁棒性 ：有些tokenizer的序列太长，推理慢还容易“幻觉”；另外，传统TTS依赖专门的文本前端（处理标点、多音字这些），一旦遇到生僻字就拉胯。
02
AR模型用Qwen大模型初始化，它的隐藏状态会直接传给FM模型当输入，这样梯度能双向传递——AR不仅要学好预测token，还得考虑“FM能不能用好这些信息重建声学特征”，从根源上解决了“信息瓶颈”和“优化不一致”的问题。 好处很实在：不用依赖离散token里的少量说话人信息，能自动学说话人特征和语义的关联，所以不用提前标“谁什么时候说话”，就能生成1-8个说话人的长对话；而且联合训练让语音的可懂度更高，实验里WER比两阶段模型低不少。
基于Whisper-large-v3改造，加了FSQ量化（一种离散化方法）和CNN下采样，能做到12.5Hz的低码率（比常见的25Hz少一半），推理效率高。 用“多任务训练”：不仅学ASR（语音转文字），还学SER（情感识别）、AED（音频事件检测）这些，损失是“语义损失+声学重建损失”——既保证能理解语音的意思，又能还原声学细节，所以12.5Hz的性能和25Hz差不多，不会因为压缩丢太多信息。
把整个对话做成“连续序列”，输入包含3部分：说话人标签+嵌入（比如“Speaker1”和它的特征）、所有文本token、所有语音token，不用显式标“哪句是谁说的”。 靠Transformer的注意力机制，模型会自动把说话人、文本内容、语音特征对应起来，能抓住跨轮的韵律（比如上个人说完，下个人的语气衔接），长对话的连贯性直接拉满。
动态块流匹配 ：为了支持“边生成边播放”的流式场景，把LLM的输出分成小块，用“因果掩码”保证当前块只看前面的内容；训练时随机块大小，推理时想调大调小都可以，适应不同延迟需求（比如实时通话要小 block，录播可以大block）。 不用文本前端 ：传统TTS要专门处理多音字、生僻字，JoyVoice靠大规模数据增强（比如故意加各种文本错误、生僻字样本），再用Qwen初始化，直接“硬抗”复杂文本，不用额外的预处理模块，鲁棒性强。 课程学习 ：先训单说话人短音频（最多1分钟），打好基础；再训长音频（最多5分钟）和多说话人数据，循序渐进，避免模型一开始就“学懵”。 声学强化学习（APO）：针对语音token级优化——生成多个候选语音序列，选那些“转文字完全没错”（CER=0）的当“好样本”，有错的当“差样本”，用DPO（直接偏好优化）的思路训模型，减少发音错误和不自然的输出。
03
训练数据 ：多语言（中、英、日、韩，中英语占90%以上），分两类： 短音频（BaseData）：30秒内的单说话人片段，用来打基础； 长音频（LongData）：30秒到5分钟，包含1-8个说话人，图4就是长音频的说话人分布——1个说话人占46.73%，越多说话人占比越少，4个以上只有0.21%不到，这也解释了后面4说话人任务稍差的原因。 模型对比 ：除了JoyVoice（端到端），还做了个两阶段的基线（JoyVoice-Cascade），都用Qwen2.5-0.5B初始化AR模型，FM模型用3亿参数的DiT；注意，Cascade只训了单说话人数据，不支持多说话人。 优化设置 ：AdamW优化器，暖身10000步，峰值学习率1e-4，其他参数都是常规操作。
先明确几个关键指标：
CER/WER： 字符/词错误率，越低说明语音转文字越准（内容一致性好）； SS： 说话人相似度，越高说明模仿得越像； cpWER： 结合了说话人分割的WER，专门测多说话人场景——不仅要看内容对不对，还要看“谁的话有没有分到别人头上”。
25Hz下，MM-Tokenizer的端到端版（E2E）比传统的S³-Tokenizer好太多，比如中文测试集（test-zh）的CER只有0.97，SS 0.836； 就算降到12.5Hz，E2E版依然能打——英文测试集（test-en）的WER 1.63，难例集（test-hard）的CER 6.07，比两阶段的Cascade稳多了，证明低码率没丢关键信息。
JoyVoice比自己的两阶段基线（JoyVoice-Cascade）好：test-zh的CER从1.13降到0.97（相对提升14.2%），test-hard从6.07降到5.55（提升8.6%）； 加了RL的版本（JoyVoice-CascadeRL）更猛：test-zh的CER直接干到0.73，是所有模型里最低的； 流式版（JoyVoice-Streaming）也没拉胯：和基础版性能差不多，还提升了test-hard的SS（说话人相似度），说明“边生成边播”也能保质量； 加speaker embedding（说话人嵌入）会让CER稍高一点，但SS明显提升——比如JoyVoice+llm spk embed的test-zh SS 0.838，模仿得更像了。
JoyVoice在所有场景下都是第一：比如2说话人中文的CER 1.44、cpCER 1.88，比VibeVoice-7B（1.60⁄7.57）好太多；2说话人英文的WER 3.36、cpWER 3.61，也是最优； 唯一小遗憾：4说话人的cpWER比2、3说话人差（比如中文4spk的cpCER 13.34），主要是训练数据里4+说话人的样本太少（图4里占比不到1%），后续补数据就能改善。
JoyVoice在几乎所有任务上错误率都最低，比如2spk-zh的CER 1.44，比VibeVoice-7B的1.60、Mooncast的7.57都低；
有些模型不支持某些任务（比如多说话人），错误率直接标100，而JoyVoice全支持，且表现稳定。
数据少（比如不到1小时）的时候，LoRA更好，不容易过拟合； 数据够的话，全参数微调效果稍好，但LoRA更省资源，实际用的时候可以按需选。
04
支持8说话人、5分钟长对话，是目前少有的能处理复杂多说话人场景的模型； 端到端架构、MM-Tokenizer、无文本前端这些设计，兼顾了质量、效率和鲁棒性； 在SEED-TTS-Eval和多说话人基准上都是SOTA，不管是内容一致性、说话人相似度，还是长对话的韵律连贯性，都比现有模型好。
4个以上说话人合成质量会下降：主要是训练数据里这类样本太少，后续要补更多多说话人对话数据； RL还没完全做完：目前只优化了发音错误，后续要靠RL提升长对话的稳定性和情感表达（比如开心、生气的语气）； 不支持音乐和音频事件：现在只能生成纯语音，想支持音乐、环境音，还得搞通用的音频tokenizer和架构。
