NVAlign 用冻结 NV-ASR 的可微奖励直穿流匹配采样器，把三个连续 AR-FM TTS 系统的人评标签跟随率最高从 39.8% 提到 54.0%

论文提出 NVAlign，把冻结 NV-ASR 对目标标签 token 的概率作为可微奖励，直接反传到连续 AR-FM TTS 的生成过程，并联合更新自回归骨干与流头。 此前连续 AR-FM TTS 缺少既定的非言语控制后训练方法：离散 token 模型可用 GRPO 一类似然比方法，而连续采样没有 token 概率；已有 Flow-GRPO 通过随机微分方程适配似然比，NVAlign 则走直梯度路线。 方法层面给出完整公式化描述：两步梯度代理以两次 DiT 流头求值替代整条轨迹反传，并用直通式潜变量连接器把梯度引向骨干；实验在 VoxCPM2、dots.tts 与一套英文生产系统上以相同 SFT 检查点初始化对比 Flow-GRPO。

在独立盲听集合上，NVAlign 的标签跟随准确率相对 SFT 全面提升：VoxCPM2 从 43.2% 到 47.6%，dots.tts 从 63.2% 到 65.4%，英文生产系统从 39.8% 到 54.0%。 这是把直梯度奖励优化从图像扩散、语音可懂度或说话人目标，扩展到连续 AR-FM TTS 的非言语标签跟随，并给出跨三个系统的同向人评结果。 每语言 100 条文本的盲听集合，三名盲评者对标记位置的目标声音判定，需三人一致才算正确；对英文相对 SFT 的两项增益、VoxCPM2 相对 Flow-GRPO 的两项增益以及英文 100 文本相对 Flow-GRPO 的增益，配对 95% bootstrap 置信区间不含零，其余比较的区间含零。

消融显示 NV-ASR 奖励本身不足以刻画输出质量，保真度惩罚与参考速度正则是把更高奖励转化为可听声音的关键。 论文把奖励可被识别器“钻空子”的现象量化：去掉速度正则后奖励从 0.468 升到 0.488，而 Gemini 准确率/感知效果从 3.54/3.34 降到 2.88/1.94；再去掉 UTMOS 项，其预测质量分从 3.39 降到 3.01；去掉说话人项后 SIM 从 0.796 骤降到 0.360。 累积消融在统一设置下逐项移除约束并同时报告奖励、Gemini 评分、UTMOS 与 SIM；论文也说明 SIM 与 UTMOS 属于训练目标的一部分，因此额外报告 DNSMOS 与人工自然度 MOS，后者在三套系统上均与 SFT 相差不超过 0.1。

NVAlign 在提升标签跟随的同时基本守住语音质量与说话人相似度，但标签存在、表达质量与语音质量并不必然同向变化。 论文明确区分三类指标：相对 SFT，三套系统的 SIM、UTMOS、DNSMOS 均上升；普通话 CER 分别上升 1.26 与 0.13 个百分点，英文 WER 在听测集上升 0.07、在 NVV-SuperBench 上升 1.33；英文基准上人评标签跟随从 33.7% 升到 53.7% 而 Gemini 感知效果下降。 指标覆盖基准输出与每系统 100 条留出片段，CER 用 Paraformer-zh、WER 用 Whisper-large-v3 在去掉 NVV 标签的参考转写上计算；论文据此指出标签存在、表达质量与语音质量需要分开评估。

该框架面向连续自回归流匹配 TTS 的非言语标签跟随，适用于已有带 NVV 标注语音、且能训练出 NV-ASR 奖励模型的场景；论文在 VoxCPM2、dots.tts 与一套英文生产系统上验证，覆盖 39 标签清单与中英两种语言。对使用者而言，它给出的是后训练配方：先监督微调 TTS 与 NV-ASR，再冻结识别器、以两步梯度代理反传奖励，并同时施加保真度惩罚与参考速度正则。论文的表述假设非言语事件是离散的，连续或重叠发声不在当前范围内；奖励模型本身也受稀有发声样本稀缺的限制。

奖励由学习得到的 NV-ASR 给出，优化该奖励可能利用识别捷径或损害韵律，因为标签似然并不覆盖完整语音分布；保真度惩罚与参考速度正则能约束这种漂移，但目标增多后梯度平衡本身成为优化问题。人评增益的统计支持并不均匀：英文相对 SFT 的两项增益、VoxCPM2 相对 Flow-GRPO 的两项增益与英文 100 文本相对 Flow-GRPO 的增益置信区间不含零，其余比较含零，其中 dots.tts 在 NVV-SuperBench 人评子集上比 SFT 低 2.7 个百分点。此外，SIM 与 UTMOS 参与训练目标，其提升需与 DNSMOS 和人工自然度 MOS 一并解读。当前表述假设离散非言语事件，连续或重叠发声的效果仍待观察。