Unverified50% confidenceFactExact time
音频、图片、视频文件底层都是二进制流，响应包中的音频data本质是以二进制形式存储的编码数据
1
Sources
50%
Confidence
Long-term
Relevance
7/23/2026
First Seen
Sources
Related Claims
Unverified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71% similarUnverifiedMusicGen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69% similarUnverified音视频联合去噪将音频潜空间与视频潜空间在同一扩散过程中并行处理，音频信号作为条件约束参与每一步去噪迭代69% similarUnverifiedVoiceDumps 支持拖入音频或视频文件，生成带真实时间戳的转录文本68% similarUnverified剪映具有自带的语音识别功能，可以将直播录像中的语音转化为字幕文本67% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/594754API
curl https://kongchang.com/api/v1/knowledge/claims/594754MCP
get_claim(id=594754)