Verified75% confidenceFactExact time
端到端语音模型直接以音频为输入和输出，在音频token层面进行理解与生成，保留语调、语速、叹气、笑声等声学特征
5
Sources
75%
Confidence
Long-term
Relevance
7/15/2026
First Seen
Sources
Related Claims
Unverified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84% similarUnverified工作流提供对口型模式（将用户语音冻结进音频潜空间）和模型生成语音模式两种语音生成方式84% similarVerified新一代语音交互转向端到端的多模态模型架构，直接在语音信号层面理解和生成，压缩延迟并保留副语言信息82% similarUnverified语音识别通常包含声学模型和语言模型两个阶段，声学模型将音频波形转换为音素或文本序列，语言模型负责纠错、断句和标点插入81% similarVerified语音识别技术经历了从隐马尔可夫模型（HMM）到循环神经网络（RNN）再到端到端模型的演进81% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/516558API
curl https://kongchang.com/api/v1/knowledge/claims/516558MCP
get_claim(id=516558)