主要观点：

• 探讨如何让数字语音助手实现“语音存在感”，以真正理解和与人类交互。
• 介绍了会话语音模型（CSM），旨在解决传统语音生成模型的局限性，实现更自然的对话式语音。
• 强调了评估会话语音模型性能的重要性，包括客观和主观指标。
• 提出开放源代码工作，促进社区合作，并指出当前模型的局限性和未来工作方向。

关键信息：

• 语音是人类最亲密的媒介，如今的数字语音助手缺乏关键品质。
• CSM 是直接在 RVQ 令牌上运行的多模态文本和语音模型，利用对话历史生成更自然的语音。
• 实验评估了 CSM 在不同方面的性能，包括客观指标如词错误率和主观指标如比较平均意见得分。
• 目前 CSM 主要基于英语数据训练，未来计划扩展到多种语言和模型规模。

重要细节：

• 实现“语音存在感”的关键组件包括情感智能、会话动态、上下文意识和一致的个性。
• CSM 训练中采用计算摊销方案以缓解内存瓶颈。
• 客观指标显示模型规模越大性能越好，主观指标在有上下文时评估者更倾向于真实录音。
• 开放源代码有助于社区合作，未来工作包括探索利用预训练语言模型和构建全双工模型。