待验证50% 置信事实精确时间
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
1
来源数
50%
置信度
长期有效
时效性
2026/8/5
首次发现
来源
相关事实
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73% 相似待验证2023年后，随着Whisper、Bark、VALL-E等开源模型的广泛传播，从频谱图还原语音的能力已不再局限于顶级研究机构，普通技术人员借助消费级GPU即可复现72% 相似待验证当前语音AI领域存在端到端方案与管线方案并行发展的趋势，业界也出现了混合方案71% 相似待验证早期ChatGPT语音采用级联架构，先语音转文字、再由大语言模型生成回答、最后转成语音播出70% 相似待验证大规模多语言语音数据集（如MLS、Common Voice）和统一语音表征方法推动了端到端多语言TTS模型的涌现70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/687470API
curl https://kongchang.com/api/v1/knowledge/claims/687470MCP
get_claim(id=687470)