TADA: A Generative Framework for Speech Modeling via Text-Acoustic Dual Alignment

• Hume AI, USA
• 2026.2
• 有开源模型，以及finetune的代码https://github.com/HumeAI/tada

speech encoder

• Speech 编码的实现 (Joint Speech-Text Tokenization)
  TADA 的核心创新在于建立文本 token 和声学特征之间 1对1 (1-to-1) 的同步关系。其编码过程主要包含三个组件：Aligner（对齐器）、Encoder（编码器） 和 Decoder（解码器），整体在一个变分自编码器（VAE）框架下工作。

• Aligner (对齐器):
  架构: 基于 Wav2Vec2-large。
  作用: 建立文本 token 和音频帧之间的映射。它通过 CTC (Connectionist Temporal Classification) 损失进行训练，将音频帧映射到 LLM 的词表（vocabulary）。
  流程: 输入语音波形和对应的文本 token ID。通过 Viterbi 算法进行强制对齐（Forced Alignment），确定每个文本 token 在音频中对应的具体帧位置（记为p i p_ipi​

• Encoder (编码器):

  • 架构: 包含一个 CNN 特征提取器（基于 DAC 架构，将 24kHz 音频下采样为 50Hz 的帧特征）和一个 Transformer 编码器。
  • 对齐感知 (Alignment-Aware): 编码器利用 Aligner 提供的对齐位置p pp。它引入了一个二进制指示位（binary indicator bit），标记哪些帧是“文本对齐帧”（即p i p_ipi​所在的位置），哪些是“非对齐帧”。
  • 注意力机制: 使用了一种受限的注意力掩码（Attention Mask）。文本对齐位置p i p_ipi​只能关注其对应的时间窗口[ p i − 1 + 1 , p i + 1 − 1 ] [p_{i-1}+1, p_{i+1}-1][pi−1​+1,pi+1​−1]内的音频帧—这里是完整片段内的特征，没有删除。这确保了提取的特征严格对应于该文本 token 的发音片段。
  • 压缩 (Compression): 编码器最终只提取文本对齐位置p i p_ipi​处的特征向量。因此，如果输入文本有 L 个 token，编码器就输出 L 个声学向量 ，实现了 1-to-1 的同步。
  • VAE 采样: 编码器输出的是潜在分布的均值 ，训练时通过重参数化技巧（reparameterization trick）采样得到最终的潜在表示
    
    （标准差固定为 0.5）。

qa

整体架构与对应关系

Q: TADA 模型中，文本 Token 和声学特征（Speech Embedding）是 1:1 的关系吗？
A: 是的，严格保持 1:1 对应。与 VALL-E 等模型（1个文本对应多个 Codec Codes）不同，TADA 的 Encoder 将每个单词/字压缩为一个单一的声学向量。如果输入文本有 N 个 Token，模型生成的声学特征序列长度也是 N。这极大地提高了推理效率。
Q: LLM Backbone 是如何融合文本和声学信息的？输入长度？
A:融合方式： 加法融合 (Additive Fusion)。输入向量 = Text_Embedding + Speech_Embedding。
Shift 机制： 为了让模型能利用未来的文本信息，声学特征会向后平移 K 步。即输入为：
T e x t i + s p e e c h i − k Text_i + speech_{i-k}Texti​+speechi−k​, 输入长度保持为 2N-K。这使得 LLM 的上下文窗口利用率极高。
2. 预测头 (Flow Matching Head) 与时长编码
Q: Flow Matching (FM) Head 具体预测什么？
A: FM Head 进行联合预测 (Joint Prediction)，输出一个拼接向量：
y = [ S p e e c h E m b e d d i n g , D u r a t i o n B i t s ] y=[Speech Embedding,Duration Bits]y=[SpeechEmbedding,DurationBits]，它同时预测声学特征（频谱信息）和时长信息（元数据）。

Q: 为什么要使用格雷码 (Gray Code) 来编码时长？它和频谱类型的特征预测冲突吗？
A:Gray Code 仅代表该 Token 对应的音频时长（帧数）。
为什么用 Gray Code：
平滑性： 相比普通二进制，格雷码保证相邻整数之间只有 1 个比特 发生翻转。
易于拟合： FM 是连续模型，格雷码的平滑特性使得模型更容易学习离散整数的变化规律。
Q: FM 是连续模型，如何预测离散的 0/1 比特？(Analog Bits)
A: 使用 Analog Bits（模拟比特） 技术。将离散的 0 映射为 -1.0，1 映射为 +1.0。FM 将其视为连续实数进行预测。推理时，通过阈值（>0 或 <0）将其还原为离散比特，再解码为整数时长。

解码器 (Decoder) 设计

Q: TADA 的 Decoder 是如何设计的？
A: 采用了 “稀疏扩展 + 双解码器” 策略：

• 稀疏扩展 (Sparse Expansion)： 输入是大部分为 0 的序列，仅在对齐点填入预测的 Speech Embedding。
• 双解码器 (Two Decoders)：
  • Global Decoder： 训练时使用，看全局信息，保证重建质量上限。
  • Streamable Decoder： 推理时使用，仅看局部上下文（Local Attention），支持流式生成。
    Q: 流式解码器 (Streamable Decoder) 如何实现流式推理？
    A: 通过特殊的 Attention Mask。解码器在生成当前片段时，视野被限制在[ p i − 2 , p i ] [p _{i−2},p_i][pi−2​,pi​]
    （即当前 Token 和上一个 Token 的范围内）。
    这意味着只要 LLM 吐出一个 Token，Decoder 就能立即生成对应的音频，无需等待整句结束。

Q: 推理时，如何将预测出的 Embedding 和 Gray Code 还原为最终音频？
A: 流程如下：
解析时长： 将 FM 输出的 Analog Bits 解码为整数时长（例如 5 帧）。
稀疏排版： 在时间轴上创建一个长度为 5 的全 0 片段，将预测的 Speech Embedding 填入该片段的对齐位置（Alignment Point）。
填补细节： Decoder 的 Transformer 层接收这个稀疏序列，根据 Embedding 的信息“填补”周围 0 的位置，生成稠密的声学特征。
波形生成： CNN 层（DAC Decoder）将稠密特征上采样，还原为最终的波形。