待验证50% 置信事实精确时间
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
1
来源数
50%
置信度
长期有效
时效性
2026/7/11
首次发现
来源
MOSS-Transcribe-Diarize：0.9B端到端多说话人语音转写模型
twitterlmsysorg2026/7/9
相关事实
待验证Qwen-Audio系列音频理解模型架构通常基于Transformer的编码器-解码器结构77% 相似待验证端到端语音架构的先驱包括 Google 的 AudioLM（2022）和 Meta 的 Voicebox（2023）73% 相似待验证语音合成架构经历了从HMM隐马尔可夫模型到WaveNet、Tacotron，再到基于Transformer和扩散模型的演进73% 相似待验证2023年以来VALL-E、Bark、XTTS等模型相继问世，大幅提升了语音合成的质量门槛73% 相似待验证声音克隆现代方案通常借助说话人编码器将声音映射为高维嵌入向量，TTS 解码阶段将向量注入声学模型控制输出音色71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/486964API
curl https://kongchang.com/api/v1/knowledge/claims/486964MCP
get_claim(id=486964)