待验证50% 置信事实精确时间
Voxtral以30亿参数的文本模型作为主干，通过音频编码器将音频转为连续嵌入直接输入解码器，这与Whisper通过交叉注意力送入解码器的做法不同
1
来源数
50%
置信度
长期有效
时效性
2026/10/3
首次发现
来源
涉及实体
相关事实
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77% 相似待验证Whisper 音频先被转换为 80 维梅尔频谱图，经卷积层下采样后送入编码器生成特征序列，再由解码器以自回归方式逐 token 输出文本77% 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76% 相似已验证Whisper基于Transformer编码器-解码器架构，在68万小时的多语言标注音频数据上进行弱监督训练76% 相似待验证2022年OpenAI发布的Whisper证明了单一神经网络可以直接将音频映射为文字，绕开手工设计声学模型的传统路径76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/969741API
curl https://kongchang.com/api/v1/knowledge/claims/969741MCP
get_claim(id=969741)