今日，据外媒9to5mac消息，苹果公司携手特拉维夫大学共同推出一项名为「原则性粗粒度」（pcg）的新型语音合成技术，目标直指ai文本转语音（tts）领域长期存在的推理速度瓶颈。
传统TTS系统普遍采用自回归建模方式，逐帧预测声学token，且严格要求与预设序列完全一致。这种“零容差”机制虽保障了理论精度，却极大拖慢生成节奏——即便预测结果在听觉层面几无差别，仅因微小偏差也会被判定为失败。
为突破该限制，研究团队创新性地依据人类听觉感知特性，将语义等价或听感相近的声学token聚类整合，构建出多个「声学相似组」。验证逻辑由此发生根本转变：不再苛求token精准落点，而是判断其是否归属目标相似组内，即由“单点匹配”升级为“区间接纳”，大幅增强系统鲁棒性。
在工程实现上，PCG引入「投机解码」双模型协同范式：前端由轻量级小模型高速产出候选token序列，后端则交由大模型进行相似组归属判别。该设计既延续了小模型的低延迟优势，又依托大模型确保输出符合听觉保真标准。
实测数据显示，该方案可将端到端语音生成速率提升约40%，主观自然度评分为4.09（满分为5分）。
在极端扰动测试中，当高达91.4%的原始token被随机替换为同组内其他成员时，词错误率仅上升0.007，说话人身份相似度下降0.027，人耳几乎无法分辨变化。
值得注意的是，PCG属于纯推理层优化方案，无需对已有TTS模型进行任何重训练；仅需额外加载约37MB的相似组索引数据，即可完成部署，兼具高兼容性与极低落地门槛。
