NormToken：说话人与时长归一化语义语音token
Get the story
2026年10月9日，arXiv Audio and Speech 发布一手论文，提出 NormToken，一种迭代语义 token 精炼框架。该框架交替进行 S2U（语音到语义）与 T2U（文本到语义）训练：先用 T2U 模型生成的文本派生 token 监督新初始化的 S2U tokenizer，再以 S2U token 作为下一轮 T2U 的目标，循环迭代。目标是使 S2U 与 T2U 趋向共享、可由文本预测的 token 空间，从而实现说话人与时长归一化的语义语音 token。报道未给出实验数据、对比基线或代码开源信息。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Audio and SpeechNormToken：通过迭代 S2U-T2U 精炼实现说话人与时长归一化的语义语音 token
NormToken 提出一种迭代语义 token 精炼框架，交替进行 S2U 与 T2U 训练，用 T2U 模型生成的文本派生 token 监督新初始化的 S2U tokenizer，再以 S2U token 作为下一轮 T2U 目标，使两者趋向共享、可由文本预测的 token 空间。
Heat trend
Current heat 9·Comparable peak 10（Oct 9）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.