DiffuSpeech：通过统一语音 - 文本扩散实现静默思考与口语回答

当前语音语言模型直接生成回答，缺乏显式推理导致错误不可修正。本文提出“静默思考，口语回答”范式，使模型在生成语音同时产生内部文本推理轨迹。为此，我们推出了 DiffuSpeech，这是首个基于扩散的语音 - 文本语言模型，在单一掩码扩散框架下统一离散文本与令牌化语音。该方法通过迭代去噪联合生成推理痕迹与语音令牌。实验表明，其在语音问答准确率上达到最先进水平，显著优于基线，同时保持了优异的语音合成质量与语言理解能力。