AudioLM是一个高质量的音频生成框架，通过将输入音频映射为离散令牌序列，并在该表示空间中将音频生成视为一种语言建模任务。它通过混合标记方案实现了重建质量和长期结构两个目标，并通过大量的音频波形语料库进行了训练，可以生成自然、连贯的音频持续时间。