02｜GPT-SoVITS 声学解码：VITS 分支与流匹配分支

语义编号不能直接播放。声学网络首先结合目标音素与参考声音形成条件，再生成可恢复波形的连续表示。v2Pro 与 v3/v4 在此处分岔；这一结构差异比版本号更值得优先理解。

v2Pro 走潜变量与波形生成路径；v3/v4 走条件特征、CFM、mel 与声码器路径。

图 1｜两条声学解码路径及各自的参考条件入口

1. v2 / v2Pro 的路径

decode 从语义码本取回向量，按配置上采样，交给 enc_p 与目标音素融合；参考频谱通过 ref_enc 得到条件。v2Pro 额外把 ERes2NetV2 说话人验证特征投影后加入参考条件。先验采样后通过反向 flow 与生成器得到波形。固定版本模型文件

$$z_p=\mu+\epsilon\odot\exp(\ell)\eta.$$

公式符号与约定

符号	含义、单位与约定
$z_p$	从条件先验抽取的潜变量，后续送入反向 flow。
$\mu$	网络输出的逐位置均值张量。
$\ell$	网络输出的对数标准差，源码对应 logs_p。
$\epsilon$	与均值同形状的标准正态噪声。
$\eta$	noise_scale，控制该次采样的随机幅度。
$\odot$	对应元素相乘。
$\exp$	自然指数，把对数标准差转换为正标准差。

若某元素均值 0.2、对数标准差为 0、噪声为 −1、缩放 0.5，则潜变量为 $0.2-1\times1\times0.5=-0.3$。这不是直接给波形加 −0.5 的噪声，而是在潜空间改变采样，再经过后续非线性解码。

2. v3 / v4 的路径

调用	输入与输出	作用
decode_encp	语义编号、音素、参考 → 条件特征	建立与 mel 时间轴匹配的条件
cfm.inference	噪声、参考 mel、条件、步数 → mel	DiT 速度预测与 Euler 更新
vocoder	mel → 波形	v3 使用对应 BigVGAN；v4 使用配套声码器

源码在参考前缀保留独立条件通道，把待积分状态的参考前缀置零，并在每次更新后再次置零；目标片段参与生成。长输出按块生成，新块会接收上一块末端的特征与 mel 条件。它不等于每段独立启动后直接拼接。

图 2｜CFM 分块延续：上一块尾部成为下一块的参考上下文

重要实现细节：通用 CFM.inference 支持 CFG，但核对的 WebUI 调用传入 inference_cfg_rate=0。因此不能仅因函数存在有/无条件分支，就宣称默认 WebUI 每一步都运行两遍网络。训练函数还混合了带步长的 shortcut 式目标，不能把当前全部训练损失说成最基础线性 CFM。

3. 采样率与特征采样率不能混写

分支	已核对的关键配置	含义
v2Pro	输出/训练音频 32 kHz，hop 640	50 Hz 声学潜变量时间轴
v3	配套 24 kHz、100 band BigVGAN	原生输出 24 kHz
v4	参考 mel 路径使用 32 kHz 预处理；配套声码器输出 48 kHz	输入特征预处理率不等于最终波形采样率

把预处理率、特征帧率与输出率分别记录，能够解释 v4 为什么不能照搬 v3 的声码器。

不能混用不同分支的 s2 权重、mel 配置和 vocoder；张量形状偶然能对上也不代表语义匹配。

4. 对照实验

固定同一参考录音与文本，分别记录前端、GPT、声学解码和输出处理耗时；再对一个参数做单因素改变。CFM 步数只属于相应分支，v2Pro 的 noise_scale 则影响潜变量采样。记录参数的“归属模块”，比堆一组所谓通用最佳值更容易复现。继续 版本与配置。

专题导航：TTS 总目录 · 上级章节