本文第一作者：崔文謙，香港中文大學博士生，致力于語音大模型，多模態大模型，AI音樂生成等方向的研究。

由香港中文大學團隊撰寫的語音語言模型綜述論文《Recent Advances in Speech Language Models: A Survey》已成功被 ACL 2025 主會議接收！這是該領域首個全面系統的綜述，為語音 AI 的未來發展指明了方向。

• ArXiv鏈接：https://arxiv.org/abs/2410.03751
• GitHub鏈接：https://github.com/dreamtheater123/Awesome-SpeechLM-Survey

為什么語音大模型是 AI 的下一個風口？

想象一下，如果 AI 能夠像人類一樣自然地進行語音對話，不再需要傳統的「語音轉文字（ASR）- 文本大模型處理（LLM）- 文字轉語音（TTS）」的繁瑣流程，而是直接理解和生成語音，那將是怎樣的體驗？這就是語音大模型（語音語言模型，SpeechLM）要解決的核心問題。

傳統的語音交互系統存在三大痛點：信息丟失、延遲嚴重、錯誤累積。當語音轉換為文字時，音調、語氣、情感等副語言信息完全丟失；多個模塊串聯導致響應延遲明顯；每個環節的錯誤會層層累積，最終影響整體效果。

SpeechLM 的出現徹底改變了這一局面。它能夠端到端地處理語音，既保留了語音中的豐富信息，又大幅降低了延遲，為真正自然的人機語音交互鋪平了道路。

技術架構：三大核心組件構建語音智能

本論文深入剖析了 SpeechLM 的技術架構，發現其由三個關鍵組件構成：語音分詞器、語言模型和聲碼器。

• 語音分詞器（Speech Tokenizer）負責將連續的音頻信號轉換為離散或連續的 token 表示。根據建模目標的不同，可以分為語義理解型、聲學生成型和混合型三類。語義理解型專注于提取語音的語義內容，聲學生成型則重點保留音頻的聲學特征，而混合型試圖兼顧兩者的優勢。
• 語言模型（Language Model）是整個系統的核心，主要采用基于 Transformer 的自回歸架構。通過擴展詞匯表實現同時處理文本和語音 token，實現真正的多模態建模能力。
• 聲碼器（Token-to-wav Synthesizer，Vocoder）則將語言模型生成的 token 轉換回可聽的音頻波形，完成從抽象表示到具體語音的最后一步轉換。

訓練策略：從預訓練到指令微調的完整流程

訓練一個高質量的 SpeechLM 需要精心設計的訓練策略。我們的綜述詳細梳理了當前主流的訓練方法，包括三個關鍵階段。

預訓練階段是基礎，可以選擇冷啟動或繼續預訓練兩種方式。冷啟動從零開始訓練，而繼續預訓練則基于已有的文本語言模型進行適配，后者通常能獲得更好的效果。關鍵在于如何有效對齊文本和語音的表示空間，使模型能夠充分利用兩種模態的共同信息與互補信息。

指令微調階段讓模型學會遵循各種指令執行不同任務。研究者們通過構建大規模的指令跟隨數據集，讓 SpeechLM 具備了處理多樣化語音任務的能力。

后對齊階段則通過人類反饋強化學習等技術，進一步優化模型的輸出質量和安全性，確保生成的語音既自然又符合人類偏好。

交互范式：實現真正自然的語音對話

語音交互的未來不僅在于理解和生成，更在于如何實現真正自然的對話體驗。傳統的語音交互采用「你說完我再說」的模式，但真實對話中人們經常會打斷對方或同時說話。為了讓 AI 具備這種自然對話能力，研究者們正在開發具有實時交互能力的 SpeechLM。

關鍵突破在于全雙工建模技術，它包括兩個核心特性：用戶中斷能力，即模型可以被用戶打斷并適當響應；同時響應能力，即模型能夠在處理輸入的同時生成輸出。通過流式處理和全雙工架構，SpeechLM 能夠支持真正的雙向同時通信，讓人機交互變得更加自然流暢。

應用場景：重新定義人機交互的邊界

SpeechLM 的應用潛力遠超我們的想象。在語義相關應用方面，它能夠進行自然的語音對話、語音翻譯、自動語音識別、關鍵詞檢測等任務。更重要的是，這些任務都可以在統一的框架下完成，無需針對每個任務訓練專門的模型。

在說話人相關應用中，SpeechLM 展現出了強大的說話人識別、驗證和分離能力，甚至可以根據指令生成特定音色的語音。這為個性化語音助手和多人對話系統開辟了新的可能性。

最令人興奮的是副語言學應用，SpeechLM 能夠理解和生成帶有特定情感、語調和風格的語音。它不僅能識別說話者的情緒狀態，還能根據指令生成相應情感色彩的語音回應，讓人機交互變得更加生動自然。

評估體系：多維度衡量模型性能

如何科學評估 SpeechLM 的性能是一個重要課題。我們的論文系統梳理了當前的評估方法，包括自動評估和人工評估兩大類。

自動評估涵蓋了表示質量、語言學能力、副語言學特征、生成質量和多樣性、實時交互能力以及下游任務性能等多個維度。每個維度都有相應的指標和基準測試，為模型比較提供了客觀標準。

人工評估則主要通過平均意見分數（MOS）等主觀指標，從人類感知的角度評估語音的自然度、韻律質量和音色相似度等特征。

挑戰與未來：通往通用語音智能的道路

盡管 SpeechLM 取得了顯著進展，但仍面臨諸多挑戰。組件選擇的最優化、端到端訓練、實時語音生成、安全風險防控以及稀有語言支持等問題都需要進一步研究。

特別值得關注的是安全性問題。SpeechLM 可能生成有害內容或泄露隱私信息，如何建立有效的安全防護機制是當務之急。同時，如何讓 SpeechLM 更好地服務于資源稀缺的語言和方言，也是推動技術普惠的重要方向。

結語：開啟語音 AI 的新紀元

這篇即將在 ACL 2025 主會議上發表的綜述論文，不僅是對 SpeechLM 領域的全面梳理，更是對未來發展方向的深入思考。我們相信，隨著技術的不斷進步，SpeechLM 將徹底改變人機交互的方式，開啟語音 AI 的新紀元。

讓我們一起期待這個激動人心的未來，在那里，AI 不僅能聽懂我們說什么，更能理解我們怎么說，并以同樣自然的方式與我們對話。這不僅是技術的突破，更是人類與 AI 關系的根本性變革。