NVIDIA 团队发布 VoiceChat-TTS：支持打断的低延迟流式语音合成
rdesh26 · x · 2026-08-17
arXiv 新论文 VoiceChat-TTS：面向交互智能体的低延迟连续语音合成模型（Edresson Casanova 等 20 位作者）。
- 痛点：多数语音语言模型仍限于轮次式交互，缺乏实时适应性（如用户打断）；双工 speech-to-speech / speech-to-text 模型虽降低延迟，但需联合优化 ASR、打断处理与高保真合成，常牺牲语音质量。
- 做法：直接由 LLM 文本 token 流驱动；通过控制 token 支持显式打断；无文本输入时产出静音；支持句中打断而不重置 KV cache，同时保持模块化与高语音质量。
- 领域：eess.AS / cs.CL。
「多模态」频道最新
- MiniMax H3 生成无厘头动漫广告视频 — Beginning_Tip300 · 2026-08-17
- AI 根据账号生成画像，意外包含樱花细节 — SydSteyerhart · 2026-08-17
- 网友用 Grok 4.6 程序化搭建旧金山，已更新至第 5 阶段 — Daniel_Farinax · 2026-08-17
- Hailuo H3 生成火焰漩涡文字特效 IGNITE — Mr_AllenT · 2026-08-17
- 用 H3 制剪纸动画：全套 Motion Graphics 提示词模板公开 — techhalla · 2026-08-17
- MiniMax-H3新玩法：5美元生成整套可玩的游戏角色精灵图 — victormustar · 2026-08-17