语音模型单独听很自然、对话却生硬：架构层面的 lookahead 权衡解析

语音模型“单句自然、对话生硬”源于多时间尺度叠加、文本瓶颈丢失韵律及已生成声学帧难修正。encoder lookahead、语义规划、声学生成和播放缓冲运行在不同时间跨度，更长 lookahead 补全语音、更大生成分块降低解码开销，但会在用户下一次输入前锁定更多音频。文本瓶颈抹平“yeah, continue”与“yeah, but”的韵律差异，且用户纠正无法改变已生成声学帧。