LALM（大型音频语言模型）

LALM 将语言模型架构扩展到音频领域，通常结合音频编码器（如 Whisper、EnCodec）与大型语言模型，实现音频理解、生成和编辑。其训练依赖海量音频-文本对，支持语音识别、音频描述、音乐生成等任务。相比纯文本 LLM，LALM 需处理时序信号与多模态对齐，是音频AI的前沿方向。