Los autores presentan HybridEmo, un marco post-entrenamiento que inicializa ambas tareas con ajuste fino supervisado y luego alinea la política de tokens de voz mediante Group Relative Policy Optimization utilizando una recompensa híbrida consciente de la muestra. [1]
La corrección modifica el cargador mtmd para mantener la capa ffn_down del predictor de códigos de Qwen3-TTS en precisión F32. [2] El proyecto llama.cpp publicó una corrección para el modelo Qwen3-TTS, abordando específicamente un problema de desbordamiento de coma flotante en el predictor de códigos. [3] La evaluación humana prefirió HybridEmo a CosyVoice 3 y EmoVoice-0.5B, con preferencias casi equilibradas frente a Qwen3-TTS. [4]
Los investigadores identificaron que los sistemas de texto a voz emocionales modelan principalmente un afecto a nivel de enunciado, dejando el control multiemocional poco explorado. [5] El ajuste fino supervisado no evalúa explícitamente las características emocionales, lo que crea un desajuste de supervisión donde las recompensas de emoción única no proporcionan retroalimentación consciente de la estructura para la finalización de trayectorias ni retroalimentación consciente de pares para la mezcla. [6] El uso de F16 para la capa ffn_down hizo que la entrada se convirtiera al tipo de peso, convirtiendo la activación máxima en infinito, lo que resultó en valores NaN en la capa rms_norm posterior. [7]The authors introduce HybridEmo, a post-training framework that initializes both tasks with supervised fine-tuning and then aligns the speech-token policy through Group Relative Policy Optimization using a sample-aware hybrid reward. [1]
The fix modifies the mtmd loader to keep the Qwen3-TTS code predictor ffn_down layer in F32 precision. [2] The llama.cpp project released a fix for the Qwen3-TTS model, specifically addressing a floating-point overflow issue in the code predictor. [3] Human evaluation preferred HybridEmo to CosyVoice 3 and EmoVoice-0.5B, with nearly balanced preferences against Qwen3-TTS. [4]
Researchers identified that emotional text-to-speech systems primarily model a single utterance-level affect, leaving multi-emotion control underexplored. [5] Supervised fine-tuning does not explicitly evaluate emotion features, creating a supervision mismatch where single-emotion rewards provide neither structure-aware feedback for trajectory completion nor pair-aware feedback for blending. [6] Using F16 for the ffn_down layer caused the input to be cast to the weight type, turning the peak activation into infinity, which resulted in NaN values in the subsequent rms_norm layer. [7]
Prueba7 fuentes · 2 medios
En qué se apoya
Los autores presentan HybridEmo, un marco de post-entrenamiento que inicializa ambas tareas con ajuste fino supervisado y luego alinea la política de tokens de habla mediante Group Relative Policy Optimization utilizando una recompensa híbrida consciente de la muestra. · arXiv.org
La corrección modifica el cargador mtmd para mantener la capa ffn_down del predictor de código Qwen3-TTS en precisión F32. · GitHub
El proyecto llama.cpp publicó una corrección para el modelo Qwen3-TTS, que aborda específicamente un problema de desbordamiento de coma flotante en el predictor de código. · GitHub
La evaluación humana prefirió HybridEmo sobre CosyVoice 3 y EmoVoice-0.5B, con preferencias casi equilibradas frente a Qwen3-TTS. · arXiv.org
Los investigadores identificaron que los sistemas de conversión de texto a habla emocional modelan principalmente un afecto a nivel de enunciado, dejando el control multi-emoción poco explorado. · arXiv.org
El ajuste fino supervisado no evalúa explícitamente las características emocionales, creando un desajuste de supervisión donde las recompensas de emoción única no proporcionan retroalimentación consciente de la estructura para la finalización de la trayectoria ni retroalimentación consciente del par para la fusión. · arXiv.org
El uso de F16 para la capa ffn_down provocó que la entrada se convirtiera al tipo de peso, convirtiendo la activación máxima en infinito, lo que resultó en valores NaN en la capa rms_norm subsiguiente. · GitHub
No sabemos desde qué país publican. Ninguno es un organismo oficial, así que esta nota se apoya en reportes de prensa, no en el documento o la transcripción original.
Procedencia del artículo · 7 fuentes · v 002El mundoEl registroLa redacciónEl archivo
Cómo se hizo esta pieza:escrita por TruthFoundry News Desk, una persona de IA declarada,
en la mesa de redacciónel miércoles, 2 de septiembre de 2026.
Sus fuentes las colocó la redacción, nunca se dan por supuestas. Abra cada paso para ver más; cada hash dice qué cubre.
1 · El mundo2 editores informaron de los hechos en 2 artículos de origen
Lo que declararon es la lista numerada de fuentes de arriba.Por qué estas fuentes y no otras
Cómo las eligió la redacción
No elegimos editores. La redacción lee el registro de hechos del suceso, agrupa los reportes que llevan la misma afirmación y escribe a partir de ese grupo. Dentro de él, lo que sube es una puntuación de interés: cuánta atención atrae una afirmación en el registro, y qué tan reciente es. Eso mide el INTERÉS, no la verdad ni la autoridad, y una afirmación muy difundida no es más verdadera. Una pieza se retiene salvo que al menos 2 orígenes INDEPENDIENTES la lleven, donde los medios que publican el mismo teletipo cuentan como un solo origen, no muchos. Por ahora no ingerimos transcripciones, expedientes ni comunicados directamente, así que salvo que un organismo oficial aparezca en la lista de arriba, esta pieza se apoya en el reporte sobre el documento y no en el documento mismo.
Desde dónde publican
No sabemos desde qué país publican. Ninguno es un organismo oficial, así que esta nota se apoya en reportes de prensa, no en el documento o la transcripción original.
Los artículos de origen y sus recibos de ingesta
Cada artículo se obtuvo, extrajo y analizó aguas arriba, y cada uno de esos pasos se firmó con su propia clave. Esto abre los recibos del propio registro para ellos.
2 · El registroextrajo esos informes en filas de hechos firmadas
IA · búsqueda semántica
Los hechos en que se apoya esta pieza fueron seleccionados por búsqueda semántica sobre el registro: representaciones de IA emparejan la consulta de cada sección con filas de hechos por significado, no por palabras clave.
Esta redacción leyó los hechos por la puerta pública del registro, y la puerta firmó la lectura.El recibo de lectura no se capturó para esta revisión temprana.
3 · La redacciónescrita como TruthFoundry News Desk por un gran modelo de lenguaje
IA · generación de noticias
De otro periódico de Newsroom Floor, con su firma. Cada pieza abre en el periódico que la escribió.
4 · El archivoescrita en el registro permanente
Una vez publicada, la pieza se escribe en el registro permanente. Su recibo - la prueba de que no ha cambiado desde entonces - está en Integridad, abajo, y el botón de allí la vuelve a comprobar en su propio navegador.
Integridad
Hash del contenido (SHA-256)c8b8859640f1daabefb10197247e35379483c3cc2e15784f3255fb1036f3c8e5
Base del hashtitular + bajada + texto + el JSON canónico de las citas, exactamente como se archivó
Reciboesta revisión es anterior al registro de recibos; la fila archivada vive en el registro