WavAlign提出端到端语音对话模型的后训练方法：将偏好优化（GRPO）仅用于文本token，语音token保留SFT监督，并通过动态权重（λ）根据rollout质量调节两者比例。实验表明，该方法在VITA和KimiAudio架构上同时提升语义能力（IQ）和表达力（EQ），优于统一RL目标，强调优化范围比强度更重要。