待验证60% 置信事实精确时间
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
2
来源数
60%
置信度
长期有效
时效性
2026/9/11
首次发现
来源
涉及实体
相关事实
已验证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80% 相似待验证Qwen的视觉大模型主要基于语言大模型前接Vision Encoder，处理语音的模型则前接语音Encoder，视觉与语言模型仍相对分离77% 相似已验证Whisper的架构采用编码器-解码器结构，编码器将音频的梅尔频谱图转化为高维特征表示，解码器以自回归方式逐词生成文字输出74% 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74% 相似待验证编码 Agent 的能力边界正从生成代码扩展到验证多模态产出，音频是继视觉之后的下一个感知缺口。71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/907361API
curl https://kongchang.com/api/v1/knowledge/claims/907361MCP
get_claim(id=907361)