主要观点总结
本文综述了语音语言模型（SpeechLMs）的最新研究进展，介绍了其构建的关键组件、训练方法以及下游应用。文章详细阐述了SpeechLMs的架构，包括语音分词器、语言模型和声码器，并探讨了其训练策略。文章还概述了SpeechLMs在口语对话、语音翻译、自动语音识别、文本到语音合成等语义相关应用，以及说话人识别、说话人验证、说话人分离和副语言应用等说话人相关应用中的潜力。最后，文章提出了对未来研究方向的展望，包括增强多模态对齐、提高实时交互性能、扩展评估指标等。
关键观点总结
关键观点1: 语音语言模型（SpeechLMs）是一种自回归基础模型，能够处理并生成语音数据，通过上下文理解生成连贯的语音序列。
SpeechLMs具备处理语音和文本两种模态的能力，支持多种任务，如口语对话、语音翻译等。
关键观点2: SpeechLMs主要由语音分词器、语言模型和声码器三个组件构成。
语音分词器将音频信号编码为潜在表示，再转换为离散tokens；语言模型使用transformer或仅解码器的架构进行自回归语音生成；声码器将生成的语音tokens合成为语音波形。
关键观点3: SpeechLMs的训练过程包括预训练、指令微调和对齐三个阶段。
预训练帮助模型学习语音数据中的统计模式和依赖关系；指令微调通过特定任务指令提升模型的泛化能力；对齐阶段通过增强文本与语音模态间的表示对齐，提高模型性能。
关键观点4: SpeechLMs可处理多种下游任务，包括语义相关应用和说话人相关应用。
语义相关应用包括口语对话、语音翻译、自动语音识别等；说话人相关应用包括说话人识别、说话人验证等。此外，SpeechLMs还可以处理副语言应用，如情感识别等。
关键观点5: 未来研究方向包括增强多模态对齐、提高实时交互性能、扩展评估指标等。
这些方向将有助于进一步提高SpeechLMs的性能和实用性，推动其在语音识别和生成领域的发展。
文章预览
大型语言模型 (LLMs) 近期因其文本交互能力而受到广泛关注。然而，自然的人类互动通常依赖语音，这促使人们向语音模型转变。一种实现这一目标的直接方法是使用“自动语音识别 (ASR) + LLM + 语音合成 (TTS)”的流水线，即将输入语音转录为文本，经由 LLM 处理后再转换回语音。尽管此方法直观简单，但它存在固有的局限性，如在模式转换过程中信息丢失，以及在三个阶段中累积的误差。为了解决这些问题，语音语言模型 (SpeechLMs) 应运而生。这些端到端模型无需文本转换，直接生成语音，成为一种有前景的替代方案。 本综述论文首次全面概述了构建 SpeechLMs 的最新方法，详细介绍了其架构的关键组成部分以及其开发中的各种训练方法 。此外，我们系统地考察了 SpeechLMs 的多种能力，分类了对 SpeechLMs 的评估指标，并讨论了该快速发展的领域中的挑战
………………………………
