待验证60% 置信事实精确时间

支持语音输入输出的全模态大模型在智能体基准测试数据集上的得分远远低于主流推理模型

2

来源数

60%

置信度

中期 (~90 天)

时效性

2026/8/18

首次发现

有效期至：2026/11/16

来源

三明治架构：企业级语音智能体的最佳落地方案

相关事实

待验证端到端语音方案对模型规模和推理算力的要求显著高于级联方案79% 相似待验证语音学家在数据标注质量控制、低资源语言支持和发音评估等环节具有深度学习端到端模型无法替代的价值77% 相似待验证自回归模型（如VALL-E）逐token预测语音离散表征，能建模长程依赖和丰富韵律，但存在累积误差；非自回归模型（如FastSpeech）并行生成速度快但表现力受限75% 相似待验证在语码转换音频上微调模型效果最自然，但数据采集标注成本高，且对端侧小模型微调需注意灾难性遗忘问题75% 相似待验证许多在实验室基准测试中表现出色的语音模型，一旦进入嘈杂、多变、口音各异的真实环境，性能便大幅衰退74% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/771146

API

curl https://kongchang.com/api/v1/knowledge/claims/771146

MCP

get_claim(id=771146)