口语语言模型（Spoken Language Models，SLMs）近年被视为语音合成领域一条颇具前景的新路径，其核心思路是绕开传统的字素到音素（grapheme-to-phoneme）显式转换流程，直接对语音进行建模。然而，这种方法在低资源语言上的效果始终受到一个根本性瓶颈的制约：可用的转写语音数据极其稀缺。正因如此，合成数据在实践中已成为扩展此类 SLM 的主要手段，在真实语料不足时提供相对可靠的语音监督信号。由 Yizhong Geng 领衔、共七位作者完成的论文《Bridging the Stability-Expressivity Gap: Synthetic Data Scaling and Preference Alignment for Low-Resource Spoken Language Models》正是围绕这一现实展开研究，该论文于 2026 年 4 月 10 日提交至 arXiv，编号为 arXiv:2605.27383v1，归类于计算与语言（cs.CL）以及人工智能（cs.AI）方向。
研究团队指出了一个此前较少被系统讨论的代价。他们发现，对合成数据的依赖会引入一种根本性的权衡，并将其命名为“稳定性—表现力鸿沟”（Stability-Expressivity Gap）。具体而言，合成数据虽然能够提升音素层面的准确度，让模型发音更“稳”，但与此同时会逐步压制韵律层面的变化，使语音在语调、节奏和情感色彩上的多样性不断收窄，最终导致表现力整体崩塌。作者将这一现象称为“合成侵蚀”（Synthetic Erosion）。换言之，模型在“说得准”上越走越远，却在“说得像人、有感情”上不断退步，这一矛盾在低资源语言场景中尤为突出。
为弥合这一鸿沟，论文提出了两套自我对齐（self-alignment）框架，分别针对不同的数据条件。第一套是“解耦引导的自我对齐”（Disentanglement-Guided Self-Alignment，DGSA），它面向结构较复杂的语言，通过将韵律（prosody）与音色（timbre）进行分离来恢复表现力，从而在不牺牲发音稳定性的前提下重新引入韵律变化。第二套是“温度驱动的自我评判”（Temperature-Driven Self-Critique，TDSC），主要适用于真实参考语音极其有限的极端低资源情形，它借助自动化的探索与筛选机制来稳定生成过程，在缺乏高质量参照的情况下依然维持输出的可控性。
在实验结果方面，作者表示该方案的表现超过了包括 ElevenLabs 和 Gemini Pro 在内的多个强商业系统。更具标志性的是，该方法首次为老挝语（Lao）实现了零样本语音克隆能力，即在没有目标说话人参考录音的情况下完成音色复制。这一成果表明，通过合成数据扩展与偏好对齐相结合的方式，低资源语言的语音合成有望在保持稳定性的同时找回表现力，并为更多缺乏转写语料的语言打开零样本语音克隆的应用空间。