本期播客深入探讨了ESPnet-SpeechLM，这是一个旨在简化和普及语音语言模型（SpeechLMs）开发的开源工具包。我们讨论了它如何将自动语音识别（ASR）、文本到语音转换（TTS）等多种语音任务统一为通用的序列建模问题，并详细介绍了其从数据预处理到模型训练、推理和评估的完整工作流程。通过具体的用例，我们展示了该工具包构建高性能、多任务语音大模型的强大能力，包括一个在多项基准测试中表现出色的17亿参数模型。