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:2509.00078

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2509.00078 (eess)
[提交于 2025年8月26日 ]

标题: ChipChat:MLX中的低延迟级联对话代理

标题: ChipChat: Low-Latency Cascaded Conversational Agent in MLX

Authors:Tatiana Likhomanenko, Luke Carlson, Richard He Bai, Zijin Gu, Han Tran, Zakaria Aldeneh, Yizhe Zhang, Ruixiang Zhang, Huangjie Zheng, Navdeep Jaitly
摘要: 大型语言模型(LLMs)的出现改变了语音对话系统,但实时设备端语音代理的最佳架构仍然是一个开放问题。 尽管端到端方法在理论上具有优势,但级联系统(CSs)在语言理解任务中仍然表现更好,尽管受到顺序处理延迟的限制。 在本工作中,我们引入了ChipChat,这是一种通过架构创新和流优化克服传统瓶颈的低延迟CS。 我们的系统集成了流式处理(a)对话语音识别与专家混合,(b)状态-动作增强的LLM,(c)文本到语音合成,(d)神经声码器,以及(e)说话人建模。 使用MLX实现,ChipChat在Mac Studio上实现了亚秒级响应延迟,而无需专用GPU,并通过完全的设备端处理保护用户隐私。 我们的研究表明,经过战略重新设计的CS可以克服其历史上的延迟限制,为基于语音的实用AI代理提供了一条有前景的前进路径。
摘要: The emergence of large language models (LLMs) has transformed spoken dialog systems, yet the optimal architecture for real-time on-device voice agents remains an open question. While end-to-end approaches promise theoretical advantages, cascaded systems (CSs) continue to outperform them in language understanding tasks, despite being constrained by sequential processing latency. In this work, we introduce ChipChat, a novel low-latency CS that overcomes traditional bottlenecks through architectural innovations and streaming optimizations. Our system integrates streaming (a) conversational speech recognition with mixture-of-experts, (b) state-action augmented LLM, (c) text-to-speech synthesis, (d) neural vocoder, and (e) speaker modeling. Implemented using MLX, ChipChat achieves sub-second response latency on a Mac Studio without dedicated GPUs, while preserving user privacy through complete on-device processing. Our work shows that strategically redesigned CSs can overcome their historical latency limitations, offering a promising path forward for practical voice-based AI agents.
评论: ASRU 2025
主题: 音频与语音处理 (eess.AS) ; 计算与语言 (cs.CL); 机器学习 (cs.LG); 声音 (cs.SD)
引用方式: arXiv:2509.00078 [eess.AS]
  (或者 arXiv:2509.00078v1 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2509.00078
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Tatiana Likhomanenko [查看电子邮件]
[v1] 星期二, 2025 年 8 月 26 日 20:40:24 UTC (730 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 | 2025-09
切换浏览方式为:
cs
cs.CL
cs.LG
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