Озвучивание длинного текста, например аудиокниги, раньше требовало от компьютера держать в уме детальнейшую картину каждой секунды звука — как если бы для часового разговора пришлось рисовать миллиметровый план всего маршрута. Такие «карты» были огромны, и даже мощные машины захлёбывались, собирая речь по частям.

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

Результат: пиковое потребление памяти обрушилось в 11,22 раза, а скорость генерации выросла в 2,23 раза. Теперь часовая запись голоса проходит без пауз, как если бы место шкафа с дисками заняла одна флешка.

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