🚀 创新设计: DocLLM采用分离的空间注意机制，专注于边界框信息，解决文本和空间模态交汇处的复杂语义问题。
对平行数据的依赖性:DeWave方法在训练过程中需要使用平行的脑电波和文本对数据，以进行监督学习。
更重要的是，它的作用只是预警，并不是预测。
不同于传统的迭代采样过程，CoMoSVC实现了一步采样，即能够在单次操作中完成声音的转换，大大加快了处理速度。同时，它在保持高音质转换的同时，优化了推理速度，确保转换后的音频既自然又忠实于目标歌手的风格。
- 令人惊讶的是，在创建测试方面表现相当不错。