首个全面梳理语音大模型发展脉络的权威综述，入选ACL 2025主会

想象一下，如果 AI 能够像人类一样自然地进行语音对话，不再需要传统的 「 语音转文字（ASR）- 文本大模型处理（LLM）- 文字转语音（TTS） 」 的 繁琐流程，而是直接理解和生成语音，那将是怎样的体验？这就是 语音大模型 （语音语言模型，SpeechLM）要解决的核心问题。 传统的语音交互系统存在三大痛点：信息丢失、延迟严重、错误累积。当语音转换为文字时，音调、语气、情感等副语言信息完全丢失；多个模块串联导致 响应延迟明显；每个环节的错误会层层累积，最终影响整体效果。 SpeechLM 的出现彻底改变了这一局面。它能够端到端地处理语音，既保留了语音中的丰富信息，又大幅降低了延迟，为真正自然的人机语音交互铺平了 道路。 本文第一作者：崔文谦，香港中文大学博士生，致力于语音大模型，多模态大模型，AI音乐生成等方向的研究。 由香港中文大学团队撰写的语音语言模型综述论文《Recent Advances in Speech Language Models: A Survey》已成功被 ACL 2025 主会议接收！这 是该领域首个全面系统的综述，为语音 AI 的未来发展指明了方向。 ArXiv链接：https: ...