2026/9/14 5:09:52
FEATURED · 精选文章 
easy-vibe 教程详解语音合成与识别原理——从 PCM 数字化到 Flow Matching 的音频 AI 全链路【免费下载链接】easy-vibe vibe coding 101The first course for AI-native product builders.项目地址: https://gitcode.com/GitHub_Trending/ea/easy-vibe本文基于 easy-vibe 课程的附录章节 speech-synthesis-recognition.md 展开系统讲解 AI 音频处理的完整技术链路物理声波如何经 A/D 转换成为 PCM 数据、STFT 与梅尔刻度如何把一维波形降维成二维特征图、音频 Token 化与频谱生成两大生成范式如何工作以及 ASR/TTS、零样本声音克隆与情感风格控制的底层原理。读完后你将能够完整解释AI 如何听懂人话、又如何开口说话并具备评估 Whisper、EnCodec、HiFi-GAN、F5-TTS 等主流语音方案适用场景的能力。easy-vibe 为该章节配套了一组基于 VitePress 主题的可交互演示组件存放在 audio-intro 组件目录例如 MelSpectrogramDemo.vue、AudioTokenizationDemo.vue、TTSPipelineDemo.vue 等本文各节末尾会标注对应的源码佐证位置方便读者对照原理查看实现细节。1. 引言物理声波的数字化翻译PCM 与 A/D 转换人类的语音和世界上的各种声音本质上是空气振动产生的连续物理声波。但计算机内部只有0和1它听不见声音。因此让 AI 处理声音的第一步就是跨越物理世界与数字世界的鸿沟。这个过程叫做模数转换A/D 转换Analog-Digital Conversion其核心输出就是**脉冲编码调制PCMPulse-Code Modulation**波形——也就是我们常见的原始音频数据。它由两个核心参数决定采样率Sample Rate一秒钟内给声波拍多少次照片。例如 16 kHz 意味着每秒记录 16,000 个振幅数值位深度Bit Depth每次采样的标尺有多精细。16 bit 意味着振幅具有 65,5362¹⁶个可区分的层级。但这带来了一个计算问题一秒钟 16,000 个数字一句话可能就是几十万个数字信息量巨大且高度冗余。如果直接把这长长的一维波形丢给神经网络处理就好比让一个人凑近看毛衣上一根根毛线的结构去判断这件毛衣的图案好不好看——这是一个极其困难且低效的计算挑战。这一冗余正是后续特征工程第 2 节要解决的问题。2. 特征工程给 AI 戴上人类的耳朵既然直接处理一维波形时域Time-Domain行不通研究者的思路是做一次降维打击把一维的声音变成二维的频率图谱频域Frequency-Domain让音频 AI 可以复用图像 AI 的成熟方法论。2.1 从一条线到一张图短时傅里叶变换STFT想象听一首交响乐我们很少在意某个瞬间空气振动的位移总量更在意的是这段时间里有哪些乐器不同频率、每个频率的声音有多大能量。通过短时傅里叶变换STFTShort-Time Fourier Transform可以把平铺直叙的声波拆解成一张时间 × 频率 × 能量以颜色深浅表示的二维矩阵图片即频谱图Spectrogram。从源码结构看仓库中的 SpectrogramViz.vue 与 MelSpectrogramDemo.vue 正是按这一思路实现的可视化演示读者可以直接观察一维波形如何被分帧、加窗、变换为二维色彩图谱。至此处理声音的问题被巧妙转化为 AI 更擅长处理的看图问题。2.2 迎合听觉习惯梅尔刻度与梅尔频谱Mel-Spectrogram物理上的频率分布是线性的——0–100 Hz 的跨度和 10,000–10,100 Hz 一样宽。但人类的耳朵是高度非线性的我们对低沉声音低频的变化极其敏感对尖锐高频的细微差别却相当迟钝。为了让 AI 像人类一样把有限的注意力放在更重要的地方研究者引入了非线性的梅尔滤波器组Mel Filterbanks在梅尔刻度上低频区域划分极细、高频区域则粗略包裹。经过对数压缩后我们得到了当代音频 AI 的灵魂基石——梅尔频谱Mel-Spectrogram。它是 ASR 与 TTS 模型最通用的输入/输出特征表示后续两大生成范式第 3 节都建立在此之上。3. 让大模型学会外语两种主流生成范式提取完特征之后关键问题是如何教 AI生成声音目前学术界与工业界存在两条并行的技术路线。3.1 范式一把声音当文字——音频 Token 化Audio Tokenization伴随 ChatGPT 的成功科学家的思路是如果把声音也变成一个接一个的字Token大语言模型LLM是不是就能直接唱歌说话了压缩与量化依靠强大的**神经编解码器Neural Codec如 EnCodec**和 VQ-VAE 架构一段几 MB 大小的音频被极限压缩最终变成一本字典码本中的一串离散代号例如序列[82, 105, 33, ...]生成接龙AI 模型只需像做文字接龙一样预测下一个声音 Token 是什么。这极大地统一了多模态学习的底层架构——文本、图像、音频都可以被Token 化后用同一套自回归框架处理。仓库中 AudioTokenizationDemo.vue 对应的交互演示展示了连续波形到离散 Token 序列的转化过程。3.2 范式二把声音当画作——频谱图生成Spectrogram Generation这是目前大量成熟语音软件的基石方案可控性极佳谱图生成AI 模型并不直接输出最终音频波形而是学习从文本到二维梅尔频谱图的映射像画家一样画出一张声学特征图波形还原Vocoder由于频谱图丢失了相位等细节信息、无法直接播放需要一个**声码器Vocoder如 HiFi-GAN**充当翻译官将这张图等效还原回能驱动喇叭振动的一维波形。两条范式的取舍可以概括为Token 化路线胜在与 LLM 架构统一、易于多模态融合频谱路线胜在声学细节可控、延迟稳定。ASRvsTTSDemo.vue 与 AudioWaveformDemo.vue 从源码结构看分别用于演示两条链路中波形与特征的角色差异。4. 双端互逆ASR 与 TTS 是两场方向相反的翻译让机器拥有耳朵和嘴巴本质上是做两场方向相反的翻译任务自动语音识别ASRAutomatic Speech Recognition声音 → 文字。这是一道多对一的收敛选择题模型如 Whisper必须在充满环境噪音、口音差异、同音字干扰中文的期中/期终、德语的 Meer/mehr 等的海量音频中提炼出唯一正确的语义文本文本转语音TTSText-to-Speech文字 → 声音。这是一道一对多的发散创作题同样一句干瘪的你好可以带着一万种不同的语速、情绪、停顿和嗓音。模型必须有能力脑补出这些文本中没有显式给出的参数。理解这一收敛 vs 发散的不对称性是理解后文 TTS 架构演化第 5 节与风格控制第 7 节的前提TTS 的全部难点本质上都是在为这个一对多问题补齐缺失参数。5. 从挤牙膏到直通车TTS 核心架构的三代换代TTS 引擎追求的两个核心指标是速度低延迟与连贯性无卡顿、无重复。架构上经历了三代演化自回归ARAutoregressive——串行笨方法老一代模型必须遵循时间先后生成完上一毫秒才能以此为基准预测下一毫秒。方法稳妥但极易卡壳且速度慢长文本下的延迟与误差累积问题明显。仓库中 AutoregressiveAudioDemo.vue 对应的演示直观呈现了这种逐帧排队的生成方式非自回归NARNon-Autoregressive——神级预判后续模型引入时长预测器Duration Predictor不再排队生成而是一次性为每个声素phoneme预测出其应有时长然后兵分多路、并行瞬间输出整句音频流匹配Flow Matching——常微分快车道这是当前的前沿方案如 F5-TTS。它运用连续正规化流Continuous Normalizing Flows与常微分方程ODE等数学原理摒弃传统的生硬搭建模型学习的是一条从纯白噪声到完美频谱的最优直达运动轨迹概率流。计算效率大幅提升声音的平滑度与自然度也显著改善。TTSPipelineDemo.vue 中的演示组件按此三代架构组织了流水线可视化可作为对照实现阅读。需要说明的是F5-TTS 等 Flow Matching 方案的优越性来自其公开技术路线与本文所依据的课程文档描述本文不对其在特定部署环境下的实际性能做量化断言。6. 零样本声音克隆3 秒音频背后的 Speaker Encoder几年前要用 AI 模仿某人的声音需要让其在安静录音棚录上万句话并训练数天。今天仅需约 3 秒的语音样本AI 就能以假乱真地复现该音色。这背后依赖两项核心技术**说话人特征编码器Speaker Encoder**与度量学习Metric Learning。Speaker Encoder 不仅是一个监听器更是一个**基因提取仪**它的任务是剥离音频里的背景噪音和具体说了什么内容文本唯一地抓取与说话人生理恒定的特征——声带宽度、共鸣腔体积、咬字习惯这些特征最终被压缩成一个数百维的说话人嵌入向量Speaker Embeddings如 x-vector。这串如同条形码般的数字完全表征了说话人的声音身份。后续的 TTS 模型只需携带这串向量进行条件生成输出的任何语言都会带上该说话人的嗓音特色。VoiceCloningDemo.vue 对应的演示组件展示了参考音频 → 说话人向量 → 条件合成的完整链路。从工程角度看零样本克隆的效果上限取决于参考音频质量信噪比、时长与 Speaker Encoder 的表征能力这也是课程文档将3 秒语音条作为典型示例的原因。7. 赋予灵魂情感节奏与细粒度风格控制一句真的吗既可以是惊喜也可以是愤怒的质疑。商业级的高阶语音 AI 不仅要读对字更要带有感情。学术界提出了**全局风格 TokenGSTGlobal Style Tokens**与特征瓶颈Feature Bottleneck机制大模型可以从海量人类演绎录音中聚类、提取出伤心激动慵懒等抽象的软向量style vector工程落地时还引入了更直观的适配器调节参数基频F0控制音调升降与能量Energy控制音量与爆破强度让创作者可以像捏游戏角色脸型一样精细调节语音情绪。EmotionControlDemo.vue 中的交互组件演示了 F0/能量等参数对同一句文本合成结果的影响可结合第 4 节一对多发散的视角理解情感控制正是为 TTS 补齐了怎么说这一缺失维度。8. 结语从机械仿真到原生理解从基础的数字信号转换PCM到降维提纯Mel-Spectrogram再到基于流匹配Flow Matching与神经编解码Neural Codec的多模态大基座音频 AI 正在完成一场从机械仿真向原生理解的跃升。结合 easy-vibe 课程的整体脉络附录索引见 8-artificial-intelligence 章节 及各语言版本如 中文版、英文版未来的 AI Agent 将打通视、听、说的高维链路以更接近真人的直觉应对每一次交流。9. 核心术语速查表Glossary术语英文全称释义PCMPulse-Code Modulation最原始、体量最大的一维音频波形记录方式由采样率与位深度两个参数决定。STFTShort-Time Fourier Transform将声音从随时间变化的单一振幅变换为兼具频率与能量信息的数学分析方法输出频谱图。梅尔频谱Mel-Spectrogram大模型处理声音的基础特征经过对数压缩并适配人类非线性听觉偏好梅尔滤波器组的二维音频图谱。神经编解码器Neural Codec基于变分自编码VQ-VAE等架构将超大尺寸连续声波高度压缩、量化为离散 Token 的 AI 组件如 EnCodec。VocoderVocoder逆向翻译官负责把二维梅尔频谱图重新物理渲染回可驱动扬声器的一维音频波形如 HiFi-GAN。Speaker EmbeddingsSpeaker Embeddings把特定人员专属嗓音音色固定下来的高维、不可变的数学标识如 x-vector用于零样本声音克隆的条件生成。Flow MatchingFlow Matching前沿生成范式不依赖昂贵的随机微分过程而是沿常微分方程ODE建立一条从正态噪声到数据分布的平滑、直达生成轨迹代表方案如 F5-TTS。仓库佐证路径小结均可从仓库根目录直接访问课程原文多语言版本德语版 / 中文版 / 英文版交互演示组件源码目录docs/.vitepress/theme/components/appendix/audio-intro/包含 AudioQuickStartDemo.vue、MelSpectrogramDemo.vue、AudioTokenizationDemo.vue、ASRvsTTSDemo.vue、TTSPipelineDemo.vue、VoiceCloningDemo.vue、EmotionControlDemo.vue 等与正文各小节一一对应。【免费下载链接】easy-vibe vibe coding 101The first course for AI-native product builders.项目地址: https://gitcode.com/GitHub_Trending/ea/easy-vibe创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
easy-vibe 教程详解：语音合成与识别原理——从 PCM 数字化到 Flow Matching 的音频 AI 全链路
easy-vibe 教程详解语音合成与识别原理——从 PCM 数字化到 Flow Matching 的音频 AI 全链路【免费下载链接】easy-vibe vibe coding 101The first course for AI-native product builders.项目地址: https://gitcode.com/GitHub_Trending/ea/easy-vibe本文基于 easy-vibe 课程的附录章节 speech-synthesis-recognition.md 展开系统讲解 AI 音频处理的完整技术链路物理声波如何经 A/D 转换成为 PCM 数据、STFT 与梅尔刻度如何把一维波形降维成二维特征图、音频 Token 化与频谱生成两大生成范式如何工作以及 ASR/TTS、零样本声音克隆与情感风格控制的底层原理。读完后你将能够完整解释AI 如何听懂人话、又如何开口说话并具备评估 Whisper、EnCodec、HiFi-GAN、F5-TTS 等主流语音方案适用场景的能力。easy-vibe 为该章节配套了一组基于 VitePress 主题的可交互演示组件存放在 audio-intro 组件目录例如 MelSpectrogramDemo.vue、AudioTokenizationDemo.vue、TTSPipelineDemo.vue 等本文各节末尾会标注对应的源码佐证位置方便读者对照原理查看实现细节。1. 引言物理声波的数字化翻译PCM 与 A/D 转换人类的语音和世界上的各种声音本质上是空气振动产生的连续物理声波。但计算机内部只有0和1它听不见声音。因此让 AI 处理声音的第一步就是跨越物理世界与数字世界的鸿沟。这个过程叫做模数转换A/D 转换Analog-Digital Conversion其核心输出就是**脉冲编码调制PCMPulse-Code Modulation**波形——也就是我们常见的原始音频数据。它由两个核心参数决定采样率Sample Rate一秒钟内给声波拍多少次照片。例如 16 kHz 意味着每秒记录 16,000 个振幅数值位深度Bit Depth每次采样的标尺有多精细。16 bit 意味着振幅具有 65,5362¹⁶个可区分的层级。但这带来了一个计算问题一秒钟 16,000 个数字一句话可能就是几十万个数字信息量巨大且高度冗余。如果直接把这长长的一维波形丢给神经网络处理就好比让一个人凑近看毛衣上一根根毛线的结构去判断这件毛衣的图案好不好看——这是一个极其困难且低效的计算挑战。这一冗余正是后续特征工程第 2 节要解决的问题。2. 特征工程给 AI 戴上人类的耳朵既然直接处理一维波形时域Time-Domain行不通研究者的思路是做一次降维打击把一维的声音变成二维的频率图谱频域Frequency-Domain让音频 AI 可以复用图像 AI 的成熟方法论。2.1 从一条线到一张图短时傅里叶变换STFT想象听一首交响乐我们很少在意某个瞬间空气振动的位移总量更在意的是这段时间里有哪些乐器不同频率、每个频率的声音有多大能量。通过短时傅里叶变换STFTShort-Time Fourier Transform可以把平铺直叙的声波拆解成一张时间 × 频率 × 能量以颜色深浅表示的二维矩阵图片即频谱图Spectrogram。从源码结构看仓库中的 SpectrogramViz.vue 与 MelSpectrogramDemo.vue 正是按这一思路实现的可视化演示读者可以直接观察一维波形如何被分帧、加窗、变换为二维色彩图谱。至此处理声音的问题被巧妙转化为 AI 更擅长处理的看图问题。2.2 迎合听觉习惯梅尔刻度与梅尔频谱Mel-Spectrogram物理上的频率分布是线性的——0–100 Hz 的跨度和 10,000–10,100 Hz 一样宽。但人类的耳朵是高度非线性的我们对低沉声音低频的变化极其敏感对尖锐高频的细微差别却相当迟钝。为了让 AI 像人类一样把有限的注意力放在更重要的地方研究者引入了非线性的梅尔滤波器组Mel Filterbanks在梅尔刻度上低频区域划分极细、高频区域则粗略包裹。经过对数压缩后我们得到了当代音频 AI 的灵魂基石——梅尔频谱Mel-Spectrogram。它是 ASR 与 TTS 模型最通用的输入/输出特征表示后续两大生成范式第 3 节都建立在此之上。3. 让大模型学会外语两种主流生成范式提取完特征之后关键问题是如何教 AI生成声音目前学术界与工业界存在两条并行的技术路线。3.1 范式一把声音当文字——音频 Token 化Audio Tokenization伴随 ChatGPT 的成功科学家的思路是如果把声音也变成一个接一个的字Token大语言模型LLM是不是就能直接唱歌说话了压缩与量化依靠强大的**神经编解码器Neural Codec如 EnCodec**和 VQ-VAE 架构一段几 MB 大小的音频被极限压缩最终变成一本字典码本中的一串离散代号例如序列[82, 105, 33, ...]生成接龙AI 模型只需像做文字接龙一样预测下一个声音 Token 是什么。这极大地统一了多模态学习的底层架构——文本、图像、音频都可以被Token 化后用同一套自回归框架处理。仓库中 AudioTokenizationDemo.vue 对应的交互演示展示了连续波形到离散 Token 序列的转化过程。3.2 范式二把声音当画作——频谱图生成Spectrogram Generation这是目前大量成熟语音软件的基石方案可控性极佳谱图生成AI 模型并不直接输出最终音频波形而是学习从文本到二维梅尔频谱图的映射像画家一样画出一张声学特征图波形还原Vocoder由于频谱图丢失了相位等细节信息、无法直接播放需要一个**声码器Vocoder如 HiFi-GAN**充当翻译官将这张图等效还原回能驱动喇叭振动的一维波形。两条范式的取舍可以概括为Token 化路线胜在与 LLM 架构统一、易于多模态融合频谱路线胜在声学细节可控、延迟稳定。ASRvsTTSDemo.vue 与 AudioWaveformDemo.vue 从源码结构看分别用于演示两条链路中波形与特征的角色差异。4. 双端互逆ASR 与 TTS 是两场方向相反的翻译让机器拥有耳朵和嘴巴本质上是做两场方向相反的翻译任务自动语音识别ASRAutomatic Speech Recognition声音 → 文字。这是一道多对一的收敛选择题模型如 Whisper必须在充满环境噪音、口音差异、同音字干扰中文的期中/期终、德语的 Meer/mehr 等的海量音频中提炼出唯一正确的语义文本文本转语音TTSText-to-Speech文字 → 声音。这是一道一对多的发散创作题同样一句干瘪的你好可以带着一万种不同的语速、情绪、停顿和嗓音。模型必须有能力脑补出这些文本中没有显式给出的参数。理解这一收敛 vs 发散的不对称性是理解后文 TTS 架构演化第 5 节与风格控制第 7 节的前提TTS 的全部难点本质上都是在为这个一对多问题补齐缺失参数。5. 从挤牙膏到直通车TTS 核心架构的三代换代TTS 引擎追求的两个核心指标是速度低延迟与连贯性无卡顿、无重复。架构上经历了三代演化自回归ARAutoregressive——串行笨方法老一代模型必须遵循时间先后生成完上一毫秒才能以此为基准预测下一毫秒。方法稳妥但极易卡壳且速度慢长文本下的延迟与误差累积问题明显。仓库中 AutoregressiveAudioDemo.vue 对应的演示直观呈现了这种逐帧排队的生成方式非自回归NARNon-Autoregressive——神级预判后续模型引入时长预测器Duration Predictor不再排队生成而是一次性为每个声素phoneme预测出其应有时长然后兵分多路、并行瞬间输出整句音频流匹配Flow Matching——常微分快车道这是当前的前沿方案如 F5-TTS。它运用连续正规化流Continuous Normalizing Flows与常微分方程ODE等数学原理摒弃传统的生硬搭建模型学习的是一条从纯白噪声到完美频谱的最优直达运动轨迹概率流。计算效率大幅提升声音的平滑度与自然度也显著改善。TTSPipelineDemo.vue 中的演示组件按此三代架构组织了流水线可视化可作为对照实现阅读。需要说明的是F5-TTS 等 Flow Matching 方案的优越性来自其公开技术路线与本文所依据的课程文档描述本文不对其在特定部署环境下的实际性能做量化断言。6. 零样本声音克隆3 秒音频背后的 Speaker Encoder几年前要用 AI 模仿某人的声音需要让其在安静录音棚录上万句话并训练数天。今天仅需约 3 秒的语音样本AI 就能以假乱真地复现该音色。这背后依赖两项核心技术**说话人特征编码器Speaker Encoder**与度量学习Metric Learning。Speaker Encoder 不仅是一个监听器更是一个**基因提取仪**它的任务是剥离音频里的背景噪音和具体说了什么内容文本唯一地抓取与说话人生理恒定的特征——声带宽度、共鸣腔体积、咬字习惯这些特征最终被压缩成一个数百维的说话人嵌入向量Speaker Embeddings如 x-vector。这串如同条形码般的数字完全表征了说话人的声音身份。后续的 TTS 模型只需携带这串向量进行条件生成输出的任何语言都会带上该说话人的嗓音特色。VoiceCloningDemo.vue 对应的演示组件展示了参考音频 → 说话人向量 → 条件合成的完整链路。从工程角度看零样本克隆的效果上限取决于参考音频质量信噪比、时长与 Speaker Encoder 的表征能力这也是课程文档将3 秒语音条作为典型示例的原因。7. 赋予灵魂情感节奏与细粒度风格控制一句真的吗既可以是惊喜也可以是愤怒的质疑。商业级的高阶语音 AI 不仅要读对字更要带有感情。学术界提出了**全局风格 TokenGSTGlobal Style Tokens**与特征瓶颈Feature Bottleneck机制大模型可以从海量人类演绎录音中聚类、提取出伤心激动慵懒等抽象的软向量style vector工程落地时还引入了更直观的适配器调节参数基频F0控制音调升降与能量Energy控制音量与爆破强度让创作者可以像捏游戏角色脸型一样精细调节语音情绪。EmotionControlDemo.vue 中的交互组件演示了 F0/能量等参数对同一句文本合成结果的影响可结合第 4 节一对多发散的视角理解情感控制正是为 TTS 补齐了怎么说这一缺失维度。8. 结语从机械仿真到原生理解从基础的数字信号转换PCM到降维提纯Mel-Spectrogram再到基于流匹配Flow Matching与神经编解码Neural Codec的多模态大基座音频 AI 正在完成一场从机械仿真向原生理解的跃升。结合 easy-vibe 课程的整体脉络附录索引见 8-artificial-intelligence 章节 及各语言版本如 中文版、英文版未来的 AI Agent 将打通视、听、说的高维链路以更接近真人的直觉应对每一次交流。9. 核心术语速查表Glossary术语英文全称释义PCMPulse-Code Modulation最原始、体量最大的一维音频波形记录方式由采样率与位深度两个参数决定。STFTShort-Time Fourier Transform将声音从随时间变化的单一振幅变换为兼具频率与能量信息的数学分析方法输出频谱图。梅尔频谱Mel-Spectrogram大模型处理声音的基础特征经过对数压缩并适配人类非线性听觉偏好梅尔滤波器组的二维音频图谱。神经编解码器Neural Codec基于变分自编码VQ-VAE等架构将超大尺寸连续声波高度压缩、量化为离散 Token 的 AI 组件如 EnCodec。VocoderVocoder逆向翻译官负责把二维梅尔频谱图重新物理渲染回可驱动扬声器的一维音频波形如 HiFi-GAN。Speaker EmbeddingsSpeaker Embeddings把特定人员专属嗓音音色固定下来的高维、不可变的数学标识如 x-vector用于零样本声音克隆的条件生成。Flow MatchingFlow Matching前沿生成范式不依赖昂贵的随机微分过程而是沿常微分方程ODE建立一条从正态噪声到数据分布的平滑、直达生成轨迹代表方案如 F5-TTS。仓库佐证路径小结均可从仓库根目录直接访问课程原文多语言版本德语版 / 中文版 / 英文版交互演示组件源码目录docs/.vitepress/theme/components/appendix/audio-intro/包含 AudioQuickStartDemo.vue、MelSpectrogramDemo.vue、AudioTokenizationDemo.vue、ASRvsTTSDemo.vue、TTSPipelineDemo.vue、VoiceCloningDemo.vue、EmotionControlDemo.vue 等与正文各小节一一对应。【免费下载链接】easy-vibe vibe coding 101The first course for AI-native product builders.项目地址: https://gitcode.com/GitHub_Trending/ea/easy-vibe创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
