在对合成训练数据进行行为归因时，需要先知道每个训练样本的生成来源，再评估该样本的影响。单纯的波形‑标签对无法保存此信息。我们提出一种生成溯源基底，能够将源规范、生成内容、波形、目标、事实需求、质量信号、审查血统以及不可变的清单标识绑定在一起。生产者和选择机制决定证据含义，存储位置和变量名不影响。
我们在一个私有的日语交接流水线中审计了该基底。审计对象包括113个资产，总计1.552小时的合成语音，覆盖六类场景；每项都关联音频、转录、候选备注和事实检查清单，但人工证据仅在特定来源下可得。两个仅保真度的清单在场景种子上互不重叠且不可变版本化，而上游精确归因受限于漂移的生成器别名、缺失的逐片段TTS和代码标记以及未版本化的检查提示。
我们认为生成溯源是行为归因的必要前提，但不足以完成因果归因：它定义候选因果图和审计单元，真正的贡献归因仍需冻结的训练运行以及干预或影响证据。本文贡献了紧凑的溯源合约、审计协议以及合成数据归因的受限案例研究；可提供受控研究访问，但不声称因果训练数据归因、临床有效性或无限制公开。
点评