通俗解释
先用神经音频编解码器把语音变成离散 token，再把 TTS 当成“根据文字和一段提示音频续写 token”的语言建模问题。论文用 3 秒录音作为提示就能合成该说话人的声音，并保留情绪和录音环境。这条“编解码 token + 语言模型”路线成了此后语音生成的主流。
用在哪里：零样本语音克隆与 TTS；“编解码 token + LM”式语音生成
01原始论文
Neural Codec Language Models are Zero-Shot Text to Speech Synthesizers
Chengyi Wang, Sanyuan Chen, Yu Wu, et al. · 2023
arXiv ↗ ✓ 已核实 · arXiv API
02知识位置
左边先学；右边是学完它之后可以学的。
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-22。
- JSON: /api/learn/algorithms.json (id:
valle)