DualSpeechLM论文总结与关键部分翻译
一、文章主要内容
本文聚焦于解决现有语音大语言模型（Speech LLMs）在统一语音理解与生成任务中面临的两大核心挑战：一是语音令牌与文本令牌间存在巨大模态鸿沟，需大规模配对数据进行微调；二是理解任务依赖高层语义信息，生成任务依赖细粒度声学特征，二者信息需求差异导致统一模型性能难以优化。
为应对上述挑战，研究提出两大核心方案：
- 理解驱动语音令牌生成器（USTokenizer）：基于预训练Whisper编码器、向量量化器（VQ）及冻结文本LLM，通过重构损失、承诺损失和理解驱动损失，提取与文本LLM语义空间高度对齐的高层语义令牌，大幅降低语音与文本的模态对齐难度。
- 双令牌建模框架（DualSpeechLM）：以USToken为输入（支撑理解任务）、声学令牌为输出（支撑生成任务），集成AcousticGPT模块实现端到端训练。同时引入语义监督损失稳定训练，提出“条件链（CoC）”策略增强生成性能，使模型能同时满足理解与生成的差异化信息需求。
实验方面，基于4500小时小规模数据，采用LoRA参数高效微调，在语音识别（ASR）、语音翻译（S2TT/T2ST）、语音情感识别（SER）、语音问答（SQA）、文本转语音（TTS）、语音转换（VC）等任务中，DualSpeechLM（尤其是使用USToken的版本）均优于基线模型，且实现理解与生成任务的相互促进，收敛速度更快。
