2026年9月15日0 条留言
端到端语音大模型：AI 语音交互为什么从"拼装流水线"走向"一个模型"
过去的智能语音助手基本是一条流水线：语音识别（ASR）把声音转成文字，语言模型理解文字并生成回复文本，语音合成（TTS）再把文本读出来。这条链路成熟、可解释，但有两个难以回避的损耗：延迟逐段累加，以及副语言信息（语气、情绪、停顿）在"转成文字"那一步被丢掉。一、被忽略的"文字瓶颈"ASR 的输出是标准化的文本，说话人的情绪、犹豫、重音、语速都不再保留。对下游模型来说，一个哽咽的声音和一段平静的朗读