手机跑实时语音合成,卡在哪?很多时候不是模型不够聪明,而是音频编解码这一环拖了后腿。Liquid AI 开源的 LiquidCodec,给出的答案是一组相当扎眼的数字。

先看它是什么:一款面向语音大模型的流式音频编解码器,作用是把人类语音高效压缩成离散数字特征,再实时还原回去。编码和解码两头都要快,端侧交互才谈得上"实时"。

速度上,在苹果 M4 Max 单核 CPU 上,LiquidCodec 的编码速度达到实时音频的 361 倍,解码速度达到 87 倍。注意是单核,不是堆满整块芯片的算力。

快的原因在于它改掉了传统音频编码的一个老规矩:特征维度之间存在顺序依赖,只能一个接一个地生成。LiquidCodec 打破了这个依赖,让语音模型可以并行生成所有音频特征,推理速度随之明显提升。

另一头是体积。它采用极简对称的轻量设计,在 4 比特量化下依然能在手机等端侧设备上运行高自然度的实时语音合成。换句话说,本地推理的门槛被压了下来,不必事事都往云端送。

把这几件事放在一起看:并行特征生成解决"快",轻量对称设计解决"小",两者叠加,端侧设备上的实时语音交互才真正有了落地空间。对做语音应用的人来说,值得关注的不是某一个数字,而是这套编解码器把速度和体积同时往下压的思路。