待验证50% 置信事实精确时间
FD-VAD 的架构由冻结的语音编码器、轻量级模态适配器和参数高效适配的语言模型组成
1
来源数
50%
置信度
长期有效
时效性
2026/9/30
首次发现
来源
涉及实体
相关事实
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73% 相似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72% 相似待验证三明治架构的核心思路是把大语言推理模型（LLM）夹在中间，前面加STT模型负责语音识别，后面加TTS模型负责语音播报68% 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68% 相似待验证FastEmbed支持sentence-transformers/all-MiniLM-L6-v2和mixedbread-ai/mxbai-embed-large-v1等多种预训练模型66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/961124API
curl https://kongchang.com/api/v1/knowledge/claims/961124MCP
get_claim(id=961124)