给声音造一张词表：深入浅出语音 tokenizer
语音 token 是 TTS 的地基，却常被一笔带过。这篇拆开这台『造币厂』：语义 vs 声学的根本矛盾、VQ/RVQ/FSQ 三种量化、把语义塞进第 0 个码本的关键一招，以及『更低帧率、更少码本』的新潮流——从 EnCodec、SpeechTokenizer、Mimi、CosyVoice、X-Codec2 一路看到 Qwen3-TTS 的两个 tokenizer。
TTS
让文字开口：深入浅出 Qwen3-TTS
又快又稳又像又可控——TTS 的几个目标总在互相拉扯。拆解 Qwen3-TTS 的答卷：双轨 LM 主干、两个各有取舍的语音 tokenizer（25Hz 长文本 vs 12Hz 97ms 首包）、一句话造音色的指令控制，怎么从 Qwen3 权重经三段预训练加 DPO → GSPO 后训练练出来，以及它和 CosyVoice、ElevenLabs 们比起来站在哪。