精选理由
这篇论文解释了为什么音频编解码器在6.25Hz会突然变差，原来不是理论限制而是训练设置问题，修正后能降到1.6Hz依然可用。
这篇论文通过控制帧率消融实验，发现神经音频编解码器在6.25 Hz处存在质量悬崖，并排除了音素冲突和码本饱和两种假设。作者指出问题源于固定训练片段时长导致解码器缺乏帧间上下文，而修正后词错误率（WER）在3.1 Hz和1.6 Hz下仍随音素负载平滑下降。研究结果表明，低帧率编解码器的推理效率增益比此前认为的更易实现。
AI 翻译 · 中文
这篇论文通过控制帧率消融实验，发现神经音频编解码器在6.25 Hz处存在质量悬崖，并排除了音素冲突和码本饱和两种假设。作者指出问题源于固定训练片段时长导致解码器缺乏帧间上下文，而修正后词错误率（WER）在3.1 Hz和1.6 Hz下仍随音素负载平滑下降。研究结果表明，低帧率编解码器的推理效率增益比此前认为的更易实现。
Low frame rates in neural audio codecs are attractive for autoregressive speech synthesis, where the generation cost scales linearly with the sequence length. Recent work has demonstrated that codecs can operate at 12.5 …