模型10月29日 15:22

不认字也能对话：语音原生模型为何先学说话再学文字

不认字的 AI，却很会说话

爱范儿@Selina

博客/媒体

精选理由

和你聊过延迟很低的语音 AI 吗？这篇解释了它们为什么先学说话再学认字，以及不认字带来了什么短板。

传统语音助手走的是“文字转语音”路线，模型内部先处理文本，再合成声音，延迟和语气都会受损。文中讨论的语音原生模型则直接在音频上训练，跳过文字环节，所以能边听边说、带情绪和停顿地对话。这类模型（如 Kyutai 的 Moshi）证明了语音可以先于文字成为模型的原生输入输出方式。代价是缺少文本训练带来的知识积累，模型“不认字”导致常识和推理偏弱。