不具合の内容

Twitter における報告（現象・ログを参照）から、DirectML 版コアで yukarin_sa が期待したように動いていない可能性が考えられました。推論結果として異常な数値が返ってくるようです。

現象・ログ

当該現象が報告されたツイート： https://twitter.com/maki07061210/status/1531507875234861056

以下、引用です：

GPU版に限り、イントネーションのバーが
限界突破しており

冥鳴ひまりが下方向にイントネーションが振れております

青山流星は上方向にイントネーションが振れております。

CPU版では特にありませんでした

再現手順

https://github.com/VOICEVOX/voicevox/releases/tag/0.12.0 で配布されているプレビュー版の VOICEVOX（DirectML 版）を起動し、冥鳴ひまり・青山流星の音声合成を試みる。

期待動作

GPU (CUDA, DirectML) 版コアでも CPU 版とほぼ同じ推論結果を得られる。

OSの種類/ディストリ/バージョン

• Windows (10? 11?)

Linux の GPU 版でも同様の問題が発生するかどうかは、今のところ不明です。

その他

Discord におけるやりとりで、以下のような追加情報が得られています。

1. CUDA 版も挙動がおかしいかもしれない

関連は不明ですが、CUDA 版の挙動が CPU 版と異なるという現象は、以前からあったかもしれないことが指摘されていました。CUDA 版も同様の問題を抱えている可能性があります：

なんかそういえばCUDA使ってたときyukarin_saだけもGPUとCPUで挙動違うみたいなのあった気がする。
その辺りが実はメモリ参照とかがぶっ壊れてて、DIrectML版だと運が良くてこうなったりするのかな。。。

2. 全ての Ort::Session インスタンスに対して GPU オプションが設定されるような変更があった

以前のコアでは、yukarin_sa は CPU で動かすようになっていたはず、という指摘がありました：

あれ、でも今も昔もyukarin_saはCPUで動かすようになってませんでしたっけ
あ、モデル複数読み込みを実装した時に崩壊したっぽい...?
もしかしたら、yukarin_saはDirectMLが壊れてるようにCUDAも壊れてる可能性はありそうではある...?

確認したところ、バージョン 0.11 以前では実際に、decode モデルに対応する Ort::Sessionインスタンスだけに OrtCUDAProviderOptions が設定されていました：

それに対してバージョン 0.12 現在は、Status の初期化時に GPU のオプションが設定され、以降全ての Ort::Session インスタンスに対してこのオプションが適用されています：

今後、元の実装に近づけることも提案されました。これで問題が解決される可能性があります：

今やるなら、common_session_optionsとdecode_session_optionsを用意する感じになりそう...?