标签
本文提出 CoSTA，一个兼容性保留的后置框架，通过均值初始化的词表扩展、发音适配与对话适配，将生成词元空间与合成词元空间解耦，在保留原始语音 tokenizer 和解码器的同时实现约 1.7 倍的语音词元生成速度与更低延迟，且不损失响应质量。
本文研究了Mimi编解码器的语义标记，发现它们映射到如四音素和三音素这样的语音单元，并讨论了其对AI模型中语音标记化的影响。