与基于文本的大语言模型（LLM）相比，语音语言模型（SpeechLM）接受语音输入并生成语音输出，能够实现更自然的人机交互。然而，传统的 SpeechLM 因缺乏无监督语音数据和并行语音-文本数据，很难像 LLM 一样进行大规模扩展。 为解决这一问题 ...