已验证75% 置信事实精确时间
神经音频编解码器如EnCodec、DAC将连续音频压缩为离散Token序列，使语音可像文字Token一样被自回归语言模型直接处理
5
来源数
75%
置信度
长期有效
时效性
2026/7/15
首次发现
来源
相关事实
待验证若输入是音频，则可将Vision Encoder替换为Speech Encoder（语音编码器）进行编码对齐后输给大语言模型80% 相似待验证神经音频编解码器通常由编码器、量化器和解码器构成：编码器将波形压缩为低帧率潜表示，量化器（如残差向量量化 RVQ）把连续潜变量离散化为多个码本索引，解码器再从 token 重建波形。77% 相似待验证自监督语音编码器将语言信息和副语言信息压缩在同一个共享、纠缠的表示空间里77% 相似待验证文本编码器负责将自然语言提示词转换为高维嵌入向量供扩散模型的去噪过程使用76% 相似待验证EnCodec和DAC采用残差向量量化（RVQ）将连续音频信号编码为多层离散码本索引，每一级码本学习前一级的量化残差76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/523218API
curl https://kongchang.com/api/v1/knowledge/claims/523218MCP
get_claim(id=523218)