音频 Tokenizer 开源训练库盘点：EnCodec、DAC、FunCodec、SpeechTokenizer 与 WavTokenizer 对比

音频 Tokenizer 开源训练库盘点：EnCodec、DAC、FunCodec、SpeechTokenizer 与 WavTokenizer 对比前言随着 MusicGen、AudioGen、VALL-E、SpeechGPT 等生成式音频模型的发展，音频 Tokenizer 已经成为音频生成系统中的关键组件。它的作用与大语言模型中的文本 Tokenizer 类似：将连续音频波形压缩为离散 Token，供 Transformer、扩散模型或其他生成模型进行建模。典型流程如下：Audio Waveform ↓ Encoder ↓ Continuous Latent ↓ Vector Quantizer ↓ Discrete Audio Tokens ↓ Transformer / Audio LM与文本 Tokenizer 不同，音频 Tokenizer 通常需要同时完成以下任务：压缩音频序列长度；保留语音内容、音色和环境信息；支持高质量波形重建；为生成模型提供稳定的离散表示；在码率、重建质量和 Token 数量之间取得平衡。本文整理几个最经典、最常用，并且提供训练代码的