电气工程与系统科学 > 音频与语音处理
[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
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。
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.