음성만 사용하는 음성 언어 모델(SLM)은 텍스트 및 텍스트-음성 모델에 비해 성능이 뒤쳐져 왔어요. 최근에는 이산 오토 회귀(AR) SLM이 텍스트 모델과 일치하기 위해서는 상당한 컴퓨팅 자원과 데이터가 필요하다는 것을 보여줬어요. 이산화 과정이 AR에서 병목 현상을 일으키므로 연속 확산(CD) SLM이 더 실현 가능한지 탐구했어요. 음성 언어 모델의 언어적 품질을 정량화하기 위해 음소 젠센-섀넌 발산(pJSD) 지표를 도입했어요.