speech_encoder 提取音色信息，不需要prompt text（更加适用于跨语言任务，解耦了prompt 文本和prompt style/timbre)Flow-VAE 提升合成音质；

当前的生成式模型是静态的，无法更新知识。如果直接微调，会对原来的知识造成灾难性遗忘，这显然是不符合真实场景需求的。因此生成式模型需要有持续学习的能力。现有的持续学习综述大多关注传统的判别模型，或者只局限于某一种生成模型（如仅LLM）。本文目标是提供一个统一的视角，系统地分析和总结不同生成模型（LLM, MLLM, VLA, diffusion）在持续学习方面的研究现状、关键方法和未来方向，为该领域

Deep Think with Confidence》提出了一种简单、优雅且高效的方法，来优化大模型的推理过程。它抓住了“模型置信度”这一内在信号，巧妙地解决了“平行思考”策略中成本与性能的矛盾。在离线模式下，它像一个评审员，对已经完成的所有“答卷”进行打分和筛选，选出最好的答案。在在线模式下，它像一个监工，实时监控每一份“答卷”的写作过程，一旦发现写得“磕磕巴巴”、“信心不足”，就立刻让它停笔，

基于文本模型，加入音频模态，能够同时做speech2speech translation，asr，tts通过强化学习的方法，在翻得快（不用src 整句说完）和翻得准方面都取得提升可以在翻译的同时clone your voice，但是这部分没有介绍。

之前的s2s 模型，只是根据语义理解进行内容回复，但实际上内容的传达除了文字，还有说话人的语气，语气不同，对应的语义可能千差万别。建立一个评测的benchmark，利用预训练的作为打分模型训练一个可以情感一致回复的ParaS2S align（将AudioReasoner蒸馏一个快速的打分模型）

对于AR 模型，控制合成音频的token个数，实现对时长的控制；保证视频配音的音画同步；一个情感prompt，一个音色prompt，实现解耦；把GPT latent representations 引入，增强在情感控制下发音的清晰度，保证稳定性；1k条deepseek R1 生成的情感音频描述性文本，通过LoRA微调Qwen3-1.7BMaskGCT 的semantic tokens；

当前的生成式模型是静态的，无法更新知识。如果直接微调，会对原来的知识造成灾难性遗忘，这显然是不符合真实场景需求的。因此生成式模型需要有持续学习的能力。现有的持续学习综述大多关注传统的判别模型，或者只局限于某一种生成模型（如仅LLM）。本文目标是提供一个统一的视角，系统地分析和总结不同生成模型（LLM, MLLM, VLA, diffusion）在持续学习方面的研究现状、关键方法和未来方向，为该领域

当前的生成式模型是静态的，无法更新知识。如果直接微调，会对原来的知识造成灾难性遗忘，这显然是不符合真实场景需求的。因此生成式模型需要有持续学习的能力。现有的持续学习综述大多关注传统的判别模型，或者只局限于某一种生成模型（如仅LLM）。本文目标是提供一个统一的视角，系统地分析和总结不同生成模型（LLM, MLLM, VLA, diffusion）在持续学习方面的研究现状、关键方法和未来方向，为该领域

Deep Think with Confidence》提出了一种简单、优雅且高效的方法，来优化大模型的推理过程。它抓住了“模型置信度”这一内在信号，巧妙地解决了“平行思考”策略中成本与性能的矛盾。在离线模式下，它像一个评审员，对已经完成的所有“答卷”进行打分和筛选，选出最好的答案。在在线模式下，它像一个监工，实时监控每一份“答卷”的写作过程，一旦发现写得“磕磕巴巴”、“信心不足”，就立刻让它停笔，

阅读中科大雷鸣2012年博士毕业论文后整理个人读书笔记1. 绪论传统语音合成的方法基于HMM的统计参数语音合成（也是本文要讲的重点，参数统计的办法）基于大量语料的单元挑选与波形拼接一般的语音合成系统可以分成（1）前端文本–文本转成层次化的语音学表示；（2）后端语音合成–从层次化的语音学表示合成语音，其中韵律特征预测可以和语音合成作为一个整体，也可以单独拉出来作为一个模块。人类发生系...