csm

CSM（Conversational Speech Model）是一个面向对话场景的端到端语音生成模型，支持基于文本和历史音频上下文生成高质量RVQ音频码流。其核心采用Llama-3.2-1B作为语言骨干，结合轻量级音频解码器输出Mimi编码，再经声码器还原为波形；支持多轮对话建模与说话人身份控制。适用于语音助手、交互式语音Demo、虚拟角色对话等需要自然语音响应的实时或离线应用场景。