音声合成の分野において、音声言語モデル（Spoken Language Models, SLM）は、明示的な書記素から音素への変換パイプラインをバイパスすることで、有望なパラダイムとして台頭している。しかし、低リソース言語におけるその有効性は、転写された音声データの不足によって根本的に制限されている。実際には、合成データがそのような設定でSLMをスケーリングするための主要な戦略となっており、実データが不十分な場合に信頼性の高い音声的監督を提供している。
本研究は、この合成データへの依存が根本的なトレードオフを導入することを明らかにする。著者らはこれを「安定性と表現力のギャップ（Stability-Expressivity Gap）」と呼ぶ。具体的には、合成データは音素精度を向上させる一方で、韻律の変動性を徐々に抑制し、最終的には表現力の崩壊（合成浸食、Synthetic Erosion）を引き起こす。
このギャップを埋めるために、論文は2つの自己アライメントフレームワークを提案する。第一は、解 entangled ガイド付き自己アライメント（Disentanglement-Guided Self-Alignment, DGSA）であり、韻律と音色の分離を利用して複雑な言語の表現力を回復する。第二は、温度駆動型自己批評（Temperature-Driven Self-Critique, TDSC）であり、本物の参照データが極めて限られている状況において、自動探索とフィルタリングを通じて生成を安定化させる。
実験結果は、この手法がElevenLabsやGemini Proを含む強力な商用システムを上回り、ラオ語で初のゼロショット音声クローニング機能を実現することを示している。本論文は2026年4月10日に提出され、Yizhong Gengら7名の著者によるもので、計算と言語（cs.CL）および人工知能（cs.AI）の分野に属する。