生成模型的核心任务是将简单分布变换为复杂数据分布；扩散模型通过随机过程实现了这一目标，但训练目标复杂、采样步数多，业界需要一种更简洁高效的确定性流框架。
Chen 等人在 NeurIPS 2018 提出 Neural ODE，证明神经网络可参数化连续时间 ODE 动力学来变换概率分布，首次将连续归一化流（CNF）变为现实。然而训练需要通过伴随方法（adjoint method）求解 ODE 来计算似然梯度，计算代价极高，无法扩展到高维图像或音频生成，CNF 长期停留在低维密度估计的小众应用中。
Song 等人在 ICLR 2021 发表 "Score-Based Generative Modeling through Stochastic Differential Equations"，将 DDPM 和得分匹配统一到 SDE 框架下。这一工作揭示了生成建模可以被视为学习随机过程的时间反转，奠定了扩散模型的理论基础。但 SDE 采样引入随机性，需要数百到上千步才能获得高质量样本，推理成本成为实际部署的瓶颈。
2022-2023 年间，三个团队几乎同时独立提出了流匹配的核心思想：Meta AI 的 Lipman 等人（ICLR 2023）提出条件流匹配（Conditional Flow Matching, CFM），证明可以通过回归条件向量场来训练 CNF，完全无需在训练中模拟 ODE；刘啸（UT Austin）等人提出 Rectified Flow，使用直线插值路径并引入 reflow 过程拉直轨迹；Albergo 与 Vanden-Eijnden 提出随机插值（Stochastic Interpolants）框架提供了统一理论。这三项工作的共同洞见是：不需要全局概率路径，只需为每个数据点定义条件路径，用简单回归损失训练即可。这一突破使 CNF 训练从不可扩展变为与扩散模型同等简单，且采样只需 5-20 步 ODE 积分。
流匹配迅速被工业界采纳：Meta 的 Voicebox（2023）和 AudioBox（2024）将其用于语音生成；Stability AI 的 Stable Diffusion 3（2024）采用 rectified flow 架构；Black Forest Labs 的 Flux 模型基于流匹配；OpenAI 的 Sora 视频生成系统据报道也采用流式架构。在音频领域，Matcha-TTS、VoiceFlow 等工作证明流匹配在 TTS 中优于传统扩散方法。
FlashTTS 的 X-pred 均值流蒸馏、BareWave 的波形原生流匹配、以及一致性流匹配（Consistency Flow Matching）等工作将采样步数压缩到 1-4 步，满足实时流式应用需求。流匹配与自回归模型的融合（如 dots.tts 的连续自回归范式）成为新趋势。
流匹配的数学核心是定义一条时间相关的概率密度路径 $p_t(x)$，从噪声分布 $p_0 = \mathcal{N}(0, I)$ 平滑过渡到数据分布 $p_1 = p_{\text{data}}$。该路径由 ODE $\frac{dx}{dt} = v_t(x)$ 生成，其中 $v_t(x)$ 是待学习的速度场。直接学习边际速度场不可行（需要知道 $p_t$），关键突破在于条件流匹配：为每个数据点 $x_1$ 定义条件路径。最优传输（OT）条件路径选择直线插值：$x_t = (1-t) x_0 + t x_1$，其中 $x_0 \sim \mathcal{N}(0,I)$，$t \sim \mathcal{U}[0,1]$。对应的条件向量场为 $u_t(x_t | x_1) = x_1 - x_0$，即从噪声指向数据的常数方向向量。条件流匹配损失为：$\mathcal{L}_{\text{CFM}} = \mathbb{E}_{t, x_0, x_1} \| v_\theta(x_t, t) - (x_1 - x_0) \|^2$。Lipman 等人证明了核心定理：$\nabla_\theta \mathcal{L}_{\text{CFM}} = \nabla_\theta \mathcal{L}_{\text{FM}}$，即条件损失的梯度等于边际损失的梯度。这意味着虽然每次只监督一个条件向量场，但在期望下网络收敛到正确的边际向量场。为什么选择 OT 路径？因为直线是连接两点的最短路径（Wasserstein-2 最优传输），产生的轨迹最直，ODE 求解器用最少步数即可精确积分。相比之下，扩散模型的前向过程（逐步加噪到纯高斯）产生弯曲轨迹，需要更多步数逆转。与 DDPM 的 $\epsilon$-prediction 对比：DDPM 预测噪声 $\epsilon = x_0$，流匹配预测方向 $v = x_1 - x_0$，两者通过 $v = x_1 - \epsilon$ 对偶关联，但流匹配的 ODE 框架天然支持确定性采样和插值。
流匹配的整体工作逻辑是：训练时用回归损失学习时间条件向量场网络，推理时用 ODE 求解器沿该向量场从噪声积分到数据样本。
为每个训练样本 $x_1$ 采样噪声 $x_0 \sim \mathcal{N}(0,I)$ 和时间 $t \sim \mathcal{U}[0,1]$，通过线性插值构造中间状态 $x_t = (1-t)x_0 + tx_1$。选择线性路径而非其他插值方式（如余弦、指数）的原因是最优传输理论保证直线路径产生最小动能轨迹，使 ODE 求解器的截断误差最小。实践中可引入微小方差 $\sigma_{\min} \approx 10^{-5}$ 避免 $t=1$ 时退化为 delta 分布。对于条件生成（如 TTS），$x_1$ 是语音梅尔频谱或潜在表示，条件信息（文本、说话人 ID）作为额外输入。
回归目标为 $u_t = x_1 - x_0$（OT 路径下为常数向量），训练损失 $\mathcal{L} = \|v_\theta(x_t, t, c) - u_t\|^2$，其中 $c$ 是条件信息。这个设计的非显然之处在于：每个 $(x_0, x_1)$ 配对定义了不同的条件向量场，但网络需要学习所有配对的"平均"——即边际向量场。定理保证这种平均在梯度层面是正确的。网络架构通常采用 DiT（Diffusion Transformer）或 U-Net，时间 $t$ 通过自适应层归一化（AdaLN-Zero）注入。学习率、EMA 衰减等超参数与扩散模型训练基本一致。一个实用技巧是对 $t$ 采用 logit-normal 采样（而非均匀采样），在 $t \approx 0$ 和 $t \approx 1$ 附近增加采样密度，因为这些区域的向量场变化最剧烈。
从 $x_0 \sim \mathcal{N}(0,I)$ 出发，用 ODE 求解器沿学到的向量场积分到 $t=1$。最简单的 Euler 方法：$x_{t+\Delta t} = x_t + \Delta t \cdot v_\theta(x_t, t)$，步长 $\Delta t = 1/N$，$N$ 为总步数。由于 OT 路径产生近似直线轨迹，Euler 方法在 $N=10\text{-}20$ 步时已能获得高质量结果，而扩散模型通常需要 50-1000 步。更高阶的求解器（Midpoint、RK4）可在更少步数下达到同等质量。条件生成中，分类器自由引导（CFG）通过 $\tilde{v}_t = (1+w) v_\theta(x_t, t, c) - w \cdot v_\theta(x_t, t, \varnothing)$ 实现，$w$ 控制条件强度。确定性 ODE 的一个重要优势是支持精确的潜在空间插值：对两个噪声 $x_0^{(a)}$ 和 $x_0^{(b)}$ 做球面插值，ODE 积分后得到语义连续的生成结果。
对于实时应用（流式 TTS、交互式音频编辑），即使 10 步 ODE 仍嫌太慢。蒸馏技术将多步教师模型压缩为少步学生模型。渐进蒸馏（Progressive Distillation）：教师用 $2N$ 步生成，学生学习用 $N$ 步匹配教师输出，迭代减半步数。一致性蒸馏（Consistency Distillation）：学生学习 ODE 轨迹上任意两点的一致映射 $f_\theta(x_t, t) = f_\theta(x_s, s)$，推理时单步直接映射到 $t=1$。FlashTTS 采用的 X-pred 均值流蒸馏属于后者的变体：学生直接预测最终输出 $\hat{x}_1 = g_\theta(x_t, t)$，用教师 ODE 轨迹的终点作为监督。蒸馏后模型可在 1-4 步内生成高质量音频，延迟降低 5-10 倍。
在 TTS 等序列生成任务中，流匹配可与自回归框架结合：自回归模型逐帧预测连续潜在向量的分布参数，流匹配在每帧内完成从噪声到潜在表示的精细生成。dots.tts 的 AudioVAE 构建语义结构化潜在空间，使流匹配的预测目标更加平滑可学。这种"自回归提供全局结构 + 流匹配提供局部细节"的分工是 2025-2026 年 TTS 架构的主流趋势。
流匹配已成为 2024-2026 年生成式 AI 的核心范式。Stable Diffusion 3、Flux、Meta Voicebox/AudioBox 等标志性产品均采用此架构。相比扩散模型，它训练更简单（纯回归损失）、采样更快（直线轨迹 5-20 步）、理论更清晰（最优传输连接）。对音视频工程师而言，流匹配是理解现代语音合成（FlashTTS、BareWave、VoxCPM2）和视频生成系统的必备知识，其重要性在未来数年只增不减。
当前热点包括：①少步/单步蒸馏（一致性流匹配、快捷模型）将步数压至极限；②离散数据上的流匹配（文本、代码生成）突破连续空间限制；③Mini-batch 最优传输耦合替代独立采样改善训练效率；④流匹配与自回归、Mamba 等序列模型的深度融合；⑤理论层面流匹配与扩散模型的统一框架仍在完善中。