语音模型架构层面的 lookahead 权衡解析

语音模型在单句生成时表现自然，但对话交互常显得生硬，根源在于 encoder lookahead、语义规划、声学生成与播放缓冲运行于不同时间尺度。更长 lookahead 和更大生成分块可分别改善语音补全、降低解码器开销，却会提前锁定后续用户输入前的音频。文本瓶颈还会丢失区分「yeah, continue」和「yeah, but」的韵律信号，而已生成声学帧难以随用户纠正修订。