待验证50% 置信事实精确时间
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
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/7/11
首次发现
有效期至：2026/10/9
来源
一张照片+语音录音，生成身份锁定说话视频的本地工作流
redditr/comfyui2026/7/10
相关事实
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84% 相似已验证新一代语音交互转向端到端的多模态模型架构，直接在语音信号层面理解和生成，压缩延迟并保留副语言信息83% 相似待验证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82% 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81% 相似待验证新一代端到端语音模型直接在音频层面训练，无需先将语音转为文字，可直接捕捉声学特征和情绪81% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/485912API
curl https://kongchang.com/api/v1/knowledge/claims/485912MCP
get_claim(id=485912)