已验证75% 置信事实精确时间

神经音频编解码器如EnCodec、DAC将连续音频压缩为离散Token序列，使语音可像文字Token一样被自回归语言模型直接处理

5

来源数

75%

置信度

长期有效

时效性

2026/7/15

首次发现

来源

ChatGPT Voice全双工升级：GPT-Live 1.0实测解析

相关事实

待验证若输入是音频，则可将Vision Encoder替换为Speech Encoder（语音编码器）进行编码对齐后输给大语言模型80% 相似待验证自监督语音编码器将语言信息和副语言信息压缩在同一个共享、纠缠的表示空间里77% 相似待验证文本编码器负责将自然语言提示词转换为高维嵌入向量供扩散模型的去噪过程使用76% 相似待验证EnCodec和DAC采用残差向量量化（RVQ）将连续音频信号编码为多层离散码本索引，每一级码本学习前一级的量化残差76% 相似已验证Whisper的架构采用编码器-解码器结构，编码器将音频的梅尔频谱图转化为高维特征表示，解码器以自回归方式逐词生成文字输出74% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/523218

API

curl https://kongchang.com/api/v1/knowledge/claims/523218

MCP

get_claim(id=523218)