输入的音频可能存在用户的语气词，在推理时会大概率出现尾音很长的情况  导致一个字念很长时间。大部分情况会导致不可用； 另外发现，当temperature设置的很低时，例如0.3，基本不会生成stop_token，生成的音频几乎都是拉长的尾音；我不确定这两个是不是同一个问题导致的。
输入的音频可能存在用户的语气词，在推理时会大概率出现尾音很长的情况
导致一个字念很长时间。大部分情况会导致不可用；
另外发现，当temperature设置的很低时，例如0.3，基本不会生成stop_token，生成的音频几乎都是拉长的尾音；我不确定这两个是不是同一个问题导致的。