待验证50% 置信事实精确时间
MusicGen和Stable Audio采用音频编解码器将音频压缩为离散token序列，再用类似语言模型的方式进行自回归生成
1
来源数
50%
置信度
长期有效
时效性
2026/8/10
首次发现
来源
相关事实
已验证Meta的EnCodec和Google的SoundStream等神经音频编解码器通过残差向量量化（RVQ）将连续语音频谱压缩为离散码本索引76% 相似待验证音频原生架构直接在梅尔频谱图或量化音频编码（如 EnCodec 产生的离散音频 Token）上进行自注意力计算，从而捕捉文本表示中缺失的韵律、情绪和说话人身份信息74% 相似待验证在音频处理流水线中，MP3每次解码-重编码循环都会累积损失，这是专业音频处理通常使用WAV作为中间格式的原因74% 相似待验证Diffusers支持AudioLDM等音频扩散模型，能够根据文本描述生成音乐和音效74% 相似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74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/721877API
curl https://kongchang.com/api/v1/knowledge/claims/721877MCP
get_claim(id=721877)