待验证50% 置信事实精确时间
该语音栈由Qwen 3.6 35B（混合专家模型）、Whisper、Breeze TTS2（3.5B参数）和Celery VAD四个核心组件构成。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/29
首次发现
有效期至：2027/1/27
来源
单卡12G跑本地实时语音AI：35B模型+语音对话全流程
bilibili枫叶边城2026/10/29
涉及实体
相关事实
待验证Qwen-Audio-3.1由五个模型构成，覆盖音频处理的理解、生成、交互与创作全部环节77% 相似待验证该本地语音助手系统完全自托管，语音检测和识别跑在CPU上，LLM（Gemma 4 E4B，QAT q4_0量化，基于llama.cpp）负责生成回答，TTS（Qwen3-TTS 1.7B）逐句合成语音。77% 相似待验证语音编码器 + LLM 解码器的组合是 2023 年以来语音大模型的主流范式，Qwen-Audio、Gemini Audio、Phi-4-audio 等均采用类似设计75% 相似待验证Qwen-Audio-3.0-TTS即使参考音频带有噪声也能输出干净的合成结果74% 相似待验证SteerTTS-edge的声码器为620万参数的Vocos风格模型，从charactr/vocos-mel-24khz蒸馏而来，同样采用int4 QAT。73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1112077API
curl https://kongchang.com/api/v1/knowledge/claims/1112077MCP
get_claim(id=1112077)