英文：Speech-Language Model 分类：multimodal
以语音为原生输入（不经文本转录）的大语言模型，直接理解语音中的语义、情绪、说话人特征并作出回应，代表下一代语音 AI 形态。
技术：语音编码器对齐 LLM 隐藏空间、语音离散 Token 预训练、指令微调（语音问答/翻译/摘要）；能力超越 ASR+LLM 级联：理解语气与重点、抗噪声、多语种；代表：Qwen2-Audio、GPT-4o、Gemini Live。
用于语音助手（对话不落文本）、实时翻译、客服质检（语义+情绪）与智能会议；语音-语言模型是"语音原生智能"的核心载体。