BriefGPT - AI 论文速递 · 2025-05-06T00:00:00Z VITA-Audio: Fast Interleaved Cross-Modal Token Generation for Efficient Large-Scale Speech Language Models 💡 原文英文，约100词，阅读约需1分钟。 📝 内容提要 本研究提出VITA-Audio，一种高效的大规模语音模型，解决了现有模型在流媒体生成首个音频令牌时的高延迟问题。通过引入轻量级的多模态交叉令牌预测模块，该模型显著提高了推理速度，具备实时对话能力，并在多个任务中表现优异。 🏷️ 标签 VITA-Audio models 实时对话 推理速度 流媒体 语音模型 阅读原文 生成长图 分享链接 已复制链接
