本文探讨了连续扩散口语语言模型（CD SLM）的可行性，指出其在性能上优于离散自回归模型。通过音素詹森-香农散度（pJSD）指标的引入，分析显示CD SLM在验证损失和pJSD上遵循缩放规律。尽管其生成多语种情感语音的能力增强，实现长篇连贯性仍面临挑战。