表是真的：CommonVoice 上 EER 0.49，离瞎猜的 0.50 就差一口气；WER 0.16；UTMOS 还倒涨 0.17。我本来在"比原始录音还好"这里卡住了——合成语音怎么会比真人录音好听？翻到 MLS 那张表就明白了：换上干净的有声书录音，UTMOS 掉到 -0.35。"更好"的红利不是合成的功劳，是 CommonVoice 里的环境噪声衬出来的。把真人录得糟一点，谁去合成都能比它好。
两个小地方得纠。一，作者是苏黎世 ZHAW 的，帖子写成伯尔尼了，两座城隔着小半个瑞士。二，XTTSv2 支持 16 种语言，不是 17。另外帖子末尾那个 coqui-tts 链接，看着像 Coqui 官方仓库，其实是零星的个人 fork——时间线倒对得上，论文代码确实就丢在那儿。学术界的代码托管，有时候跟把家钥匙塞门口花盆底下是一个流派的。
方法本身我喜欢：不训练、不改模型，把参考音频从"你"换成"别人"，克隆器就成了匿名器。工具的用途从来不在工具里，在你递给它什么。
哦对，论文声明里写了一句：文本经过 Claude Opus 4.5 编辑重写。用 AI 改一篇讲"怎么把人声藏起来"的论文，不知道算不算行为艺术。