Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2508.05835v1

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2508.05835v1 (eess)
[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

Authors:Edresson Casanova, Paarth Neekhara, Ryan Langman, Shehzeen Hussain, Subhankar Ghosh, Xuesong Yang, Ante Jukić, Jason Li, Boris Ginsburg
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。
摘要: Large Language Models (LLMs) have significantly advanced audio processing by leveraging audio codecs to discretize audio into tokens, enabling the application of language modeling techniques to speech data. However, existing audio codecs often operate at high frame rates, leading to slow training and inference, particularly for autoregressive models. To address this, there is growing interest in low frame-rate audio codecs, which reduce the number of autoregressive steps required to generate one second of audio. In this paper, we conduct ablation studies to examine the impact of frame rate, bitrate, and causality on codec reconstruction quality. Based on our findings, we introduce NanoCodec, a state-of-the-art audio codec that achieves high-quality compression at just 12.5 frames per second (FPS). NanoCodec outperforms related works across various bitrate ranges, establishing a new benchmark for low-latency and efficient Speech LLM training and inference.
评论: 被国际语音语言会议2025接受
主题: 音频与语音处理 (eess.AS) ; 计算与语言 (cs.CL); 声音 (cs.SD)
引用方式: arXiv:2508.05835 [eess.AS]
  (或者 arXiv:2508.05835v1 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.05835
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Edresson Casanova [查看电子邮件]
[v1] 星期四, 2025 年 8 月 7 日 20:20:32 UTC (51 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
eess.AS
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs
cs.CL
cs.SD
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号