待验证50% 置信事实精确时间
语音识别通常包含声学模型和语言模型两个阶段，声学模型将音频波形转换为音素或文本序列，语言模型负责纠错、断句和标点插入
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/7/2
首次发现
有效期至：2026/9/30
来源
XiaoWu Voice Input Method: Powered by Local LLMs for Accurate Offline Speech Recognition
bilibilii-xiaowu2026/6/23
相关事实
待验证工作流提供对口型模式（将用户语音冻结进音频潜空间）和模型生成语音模式两种语音生成方式82% 相似已验证端到端语音模型直接以音频为输入和输出，在音频token层面进行理解与生成，保留语调、语速、叹气、笑声等声学特征81% 相似待验证新模型能感知说话者的音量、语气等副语言信息，并主动调大音量或切换状态78% 相似待验证VALL-E、VoiceCraft等语音合成模型采用了将语音表示为Token序列并使用自回归生成框架的技术路线78% 相似待验证本地化语音识别需要在模型体积与识别精度之间做取舍，WER数字需结合具体场景解读，真实场景中的口语化表达、噪音、口音、领域术语会拉大不同模型的性能差距77% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/41192API
curl https://kongchang.com/api/v1/knowledge/claims/41192MCP
get_claim(id=41192)