abstract
- 两级结构：两个masked generate transformer的模型，将一张图量化成固定的离散点，每次mask一部分，剩下的是ground truth，然后去预测mask的部分。
- text2semantic的时长是提前给到的；semantic token来自w2v-bert-2.0；
- acoustic token 的encoder 来自DAC， decoder来自vocos；
- 是MaskGIT 在语音上的实现：把AR 预测token，变成NAR的结构
model arch
