Озвучивание протяжённого текста — например, аудиокниги — прежде требовало от компьютера удерживать в оперативной памяти детализированную картину каждой секунды звука. Аналогия: чтобы воспроизвести часовой разговор, приходилось вычерчивать миллиметровый план всего маршрута. Подобные «карты» были колоссальными, и даже мощные машины захлёбывались, собирая речь фрагментами.

Метод ZipL-Dialog действует иначе: сначала он сжимает звук до ёмкого образа — подобно тому, как тугая пружина вбирает в себя потенциальную энергию. В этом компактном пространстве, где данных меньше, пружина «распрямляется» в готовую речь. Обучаемая система учится сжимать и восстанавливать звук без потери выразительности, а модель ZipFormer — это нейросеть, работающая прямо внутри сжатого представления.

Результат: пиковое потребление памяти рухнуло в 11,22 раза, а скорость генерации возросла в 2,23 раза. Часовая запись голоса теперь проходит без пауз — словно место шкафа с дисками заняла одна флешка.

Удивительный поворот: в сжатом виде звук становится настолько компактным, что целый роман способен уместиться в оперативной памяти телефона, а синтез начинает напоминать игру на невидимом инструменте, где каждая нота извлекается из математической тугости.