待验证50% 置信事实精确时间

音频token以重建高保真音频为训练目标，保留音色、情绪、环境音等全部声学信息，而非像ASR输出只保留语言内容

1

来源数

50%

置信度

长期有效

时效性

2026/8/9

首次发现

来源

深度实测：ChatGPT语音模式能听懂语气、口音和情绪

相关事实

待验证端到端原生架构直接处理音频输入并输出音频，不依赖中间转换步骤，可保留更丰富的声学特征76% 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76% 相似待验证声音克隆通过说话人编码器将声音映射为高维嵌入向量，说话人编码器训练通常采用对比学习或三元组损失76% 相似待验证说话人嵌入向量捕捉声音中与内容无关的身份信息，包括声带共振频率、基频范围和发音方式76% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/716309

API

curl https://kongchang.com/api/v1/knowledge/claims/716309

MCP

get_claim(id=716309)