2 月 3 日消息，科技媒體 9to5Mac 今天（2 月 3 日）發(fā)布博文，報道稱蘋果公司攜手特拉維夫大學，聯(lián)合發(fā)表論文，提出名為“原則性粗粒度”（PCG）的語音生成新方法，從而解決 AI 文本轉語音（TTS）技術的速度瓶頸。

援引博文介紹，在生成語音方面，目前行業(yè)主流采用“自回歸模型”，采用“逐個預測”的方式，即基于已有的 tokens 來預測下一個。

然而，這種機制要求預測結果必須“精確匹配”預設的 tokens，導致模型經常拒絕實際上聽感差異極小、完全可用的預測結果。這種過于嚴苛的驗證標準，直接拖慢了整體的生成速度。

研究團隊為了解決上述問題，提出了“原則性粗粒度”（Principled Coarse-Graining，簡稱 PCG）技術。該技術的核心邏輯在于“求同存異”：研究人員認為，不同的聲學 token 往往能產生幾乎相同的聽覺效果。

因此，PCG 不再將每個聲音視為完全獨立的個體，而是建立了“聲學相似組”。只要模型生成的預測 token 落在正確的“相似組”范圍內，系統(tǒng)就會予以采納。這種靈活的驗證機制，本質上是將嚴苛的“單點驗證”升級為了容錯率更高的“范圍驗證”。

在具體運行中，PCG 引入了“投機解碼”策略，構建了一套雙模型協(xié)作架構。首先，由一個輕量級的小模型快速“猜測”并提出候選語音 token；隨后，由一個參數更大的“裁判模型”進行審核。

只要候選 token 屬于正確的聲學組，大模型便會“放行”。這種分工不僅保留了小模型的高速度，也利用大模型保障了輸出質量，有效平衡了效率與準確性。

試驗數據顯示，應用 PCG 技術后，語音生成速度提升了約 40%，且并未犧牲音頻質量。在自然度評分（滿分 5 分）中，該模型取得了 4.09 的高分。

在一項極限壓力測試中，研究人員將 91.4% 的語音 token 替換為同組的其他 token，結果顯示詞錯率僅增加了 0.007，說話人相似度僅下降 0.027，人耳幾乎無法察覺差異。

PCG 屬于“推理階段”的優(yōu)化方案，意味著無需對現(xiàn)有模型進行耗時耗力的重新訓練即可直接應用。存儲聲學相似組僅需約 37MB 的額外內存。