电气工程与系统科学 > 音频与语音处理
[提交于 2025年8月7日
]
标题: NanoCodec:迈向高质量超快速语音大模型推理
标题: NanoCodec: Towards High-Quality Ultra Fast Speech LLM Inference
摘要: 大型语言模型(LLMs)通过利用音频编解码器将音频离散化为标记,显著推进了音频处理,使得语言建模技术可以应用于语音数据。 然而,现有的音频编解码器通常以高帧率运行,导致训练和推理速度较慢,尤其是在自回归模型中。 为了解决这个问题,人们对低帧率音频编解码器的兴趣日益增长,这减少了生成一秒钟音频所需的自回归步骤数。 在本文中,我们进行了消融研究,以检查帧率、比特率和因果性对编解码器重建质量的影响。 基于我们的发现,我们引入了 NanoCodec,一种最先进的音频编解码器,在每秒12.5帧(FPS)的情况下实现了高质量的压缩。 NanoCodec在各种比特率范围内优于相关工作,为低延迟和高效的语音LLM训练和推理设立了新的基准。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.