苹果公布 PCG 技术：质量零妥协、AI 语音生成提速 40%

苹果公司与特拉维夫大学合作，发表了一篇论文，提出一种名为“原则性粗粒度”（PCG）的语音生成新方法，以解决AI文本转语音技术的速度瓶颈。

目前，在生成语音方面，行业主流采用的是“自回归模型”，通过逐个预测的方式基于已有tokens来预测下一个。然而，这种机制要求预测结果必须精确匹配预设的tokens，导致模型常常拒绝实际上听感差异极小、完全可用的预测结果，从而拖慢了整体生成速度。

为了解决这个问题，研究团队提出了“原则性粗粒度”技术。该技术的核心在于认为不同的声学token往往能产生几乎相同的听觉效果。因此，PCG不再将每个声音视为完全独立的个体，而是建立了“声学相似组”。只要模型生成的预测token落在正确的“相似组”范围内，系统就会采纳。这种灵活的验证机制将严苛的“单点验证”升级为了容错率更高的“范围验证”。

在具体操作中，PCG引入了“投机解码”策略，构建了一套双模型协作架构。一个轻量级的小模型快速猜测并提出候选语音token，随后由参数更大的“裁判模型”进行审核。如果候选token属于正确的声学组，大模型便会放行。这种方式不仅保留了小模型的速度优势，也利用大模型保证了输出质量，有效平衡了效率与准确性。

实验数据显示，应用PCG技术后，语音生成速度提升了约40%，且未牺牲音频质量。在自然度评分中，该模型取得了4.09分的高分。此外，在极限压力测试中，研究人员发现即使将大部分语音token替换为同组的其他token，词错率和说话人相似度的变化也非常微小，几乎无法被人耳察觉。

PCG作为推理阶段的优化方案，意味着无需对现有模型进行重新训练即可直接应用。存储声学相似组仅需额外约37MB内存。