已验证65% 置信事实精确时间
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
3
来源数
65%
置信度
中期 (~90 天)
时效性
2026/7/2
首次发现
有效期至：2026/9/30
来源
CosyVoice v3.5实战：解决AI配音中的表演指导难题
bilibili破妄-胖2026/6/15
相关事实
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79% 相似待验证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76% 相似待验证Meta的Voicebox和Google的AudioPaLM是尝试将感知-理解-生成链路压缩进单一Transformer架构的语音系统72% 相似待验证音频水印技术如 Meta 的 AudioSeal 和 Adobe 的 Content Credentials 通过嵌入人耳不可感知的隐写信号实现生成溯源72% 相似待验证声音克隆技术通过说话人编码器（Speaker Encoder）从少量音频样本中提取说话人的声纹特征向量，该向量通常是一个256维或512维的浮点数数组72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/46242API
curl https://kongchang.com/api/v1/knowledge/claims/46242MCP
get_claim(id=46242)