Luna-TTS
先由独立 duration predictor 给出总 frame 数，再从全 mask 网格出发做 32 次 confidence-based parallel refinement。整句 bidirectional，可原生 voice cloning、infilling 与 editing。
- 串行预算
- 固定 32 次 forward
- 首段音频
- 整句完成后
- 误差修正
- 全局可反复改写
READING NOTES · DIFFUSION TTS
Luna-TTS：
把 RVQ 网格当成网格
这篇报告最重要的不是“又一个更快的 TTS”，而是把 codec LM 的基本生成单位重新定义为二维 RVQ 网格：离线时全局并行细化，实时场景只在 block 边界引入因果性。
AR 的问题不只是慢，而是生成顺序与表示几何不匹配
每个时间 frame 含 8 个 residual codebook token。沿时间展开尚可解释，但沿 codebook depth 强行规定左到右次序没有天然依据。Luna-TTS 让每个网格位置按独立 mask process 受扰动，再并行预测 masked position；跨时间、跨 codebook 依赖由多轮 refinement 解决。
关键转变：从“下一个 token 是什么”改成“在当前可见网格条件下，这些空位分别是什么”。
Luna-TTS Realtime
时间轴切成 32-frame、即 1.28 秒 block；block 之间自回归并用 KV cache，block 内仍并行去噪。完成的 block 立即交付且不可再改。
- 串行预算
- 随 block 数增长
- 首段音频
- 首块确定后
- 误差修正
- 仅限当前 block
质量领先成立，但要按评测边界理解
普通话；英文为 1.49 WER / 76.8 SIM。报告比较中四列均最佳。
中英文错误率为表中最低；日文、韩文及四语言平均仍由 Qwen-Audio-3.0-TTS 领先。
16 步、单 H20、batch size 1、12 次预热运行中位数，不含网络。
8 步、双 H20 parallel CFG；这是 1.28 秒 block 的本地 engine 边界，不是公网首包延迟。
GRPO 对齐的是实际去噪动作，而非虚构的左到右序列
rollout 记录每轮真正被采样并提交的位置与 token，replay 在同一个有效采样 policy（含 CFG、top-k 与 temperature）下计算 per-action ratio。整条语句共享由 WER 与 speaker similarity 形成的 group-relative advantage；token-level clipped surrogate 避免把大量并行 action ratio 连乘成数值不稳的 trajectory ratio。
代价是 credit assignment 很粗：reward 只在波形完成后得到，所有动作共享 utterance-level advantage。论文证明了可用的工程构造，还没有证明它是 masked diffusion 最优的 RL 表述。
四个不能从摘要数字里省略的限定
- 不是完全公平的全表横比。 只有 † 行按作者的同一 protocol 复评；⋄ 行来自各论文或已发布比较表，evaluation detail 可能不同。
- 首块延迟不是用户侧延迟。 41.6 ms 排除网络，且依赖双 H20 parallel CFG 与预热本地 engine。
- Realtime 的 hard-case 代价明显。 CV3-Eval hard-zh / hard-en 从离线 6.90 / 6.18 恶化到 12.56 / 13.98，反映 block 提交后不可改与 EOS length control 的共同风险。
- 语言与数据仍偏窄。 训练集中普通话、英文各约 43%，日文与韩文合计约 13.6%；韩文 CV3-Eval CER 最弱，系统也只覆盖四种语言。