据MarkTechPost报道，Kyutai发布Voice of Reason，包括两个开放权重的语音到语音模型，可直接用语音解答数学题。模型从GLM-4-Voice-9B出发，加入监督微调与强化学习，流程中不需要语音转写，也没有独立文本大模型参与，在口语GSM8K上的准确率从基座的27.3%提升到77.1%。
两个检查点分别名为glm-4-voice-of-reason-9b和glm-4-voice-of-reason-stitch-9b。前者直接回答，不生成额外推理标记，任何分步演算都以语音说出；后者在语音块之间写入100个标记的静默推理块。Kyutai表示，后续推理块可在前段语音播放时生成，因此思考不会增加额外延迟。材料称，此处采用的STITCH-R布局中，第一个推理块出现在第一个语音块之前。
Kyutai称这是首次将强化学习应用于语音原生模型的数学推理。材料指出，语音转文本、文本大模型、文本转语音的级联流程在推理上仍占优势，但每一级都会增加延迟，并丢失语气等副语言线索。语音原生模型必须按固定间隔输出音频以保持交互性，这限制了它能负担的隐藏推理标记数量。基座GLM-4-Voice在GSM8K上得分为27.3%，此前的STITCH方法通过加入推理块把它提升到58.7%。
训练分两阶段。GLM-4-Voice的输出交错进行，先13个文本标记，再26个音频标记，循环重复。第一阶段SFT使用Orca-Math的150,616道题，Qwen3-235B把每道题改写为适合语音的形式，Kyutai的DSM TTS再用多种声音朗读。仅SFT就把GLM-4-Voice从27.3%提升到61.7%。第二阶段RL对每个口语问题采样4个回复，温度0.9；裁判Qwen3-235B-A22B-2507根据解码文本给出二元奖励，且从不查看参考答案。在100个手工检查案例中，裁判与人类一致率为88%。奖励在每个组内中心化，形成组相对REINFORCE目标，与GRPO相关，但去掉了PPO裁剪和KL正则化。训练在16张H100上进行，共1500次RL更新。
两项设计选择最关键。其一是温度校正：在损失函数的log-softmax之前，把logits除以采样温度；若不这样做，GSM8K会从65.5%崩至12.3%。其二是音频标记合并：在每个音频位置，把所有音频词表概率求和为1个抽象标记，损失只问下一个是否为音频，而不问是哪个音频标记。论文证明，在值不变假设下，该估计量无偏且方差更低。
论文报告的成绩使用top-k 50解码、3个随机种子平均。直接版Voice of Reason为65.5%±1.1，发布检查点为70.3%；Stitch版为74.8%±1.1，发布检查点为77.1%。去掉top-k后分别得到70.3%和77.1%，发布检查点对应这组运行。作为更大模型的上限参考，Qwen2.5-Omni文本输出7B为84.7%，Qwen3-Omni文本输出30B为94.6%，级联ASR-LLM-TTS-ASR的31B LLM为95.7%；Kyutai指出这些并非匹配比较。PersonaPlex全双工8B为3.2%，GLM-4-Voice 9B为27.3%，STITCH为58.7%。
其他发现包括：用Qwen3-ASR-1.7B转写后，Stitch模型在真实语音上仍有72.0%±1.9%；RL后UTMOSv2自然度从4.067变为4.069（直接版）、从4.174变为4.164（Stitch版）；RL并未让答案变长，直接版平均回复时长从41.9秒降到36.4秒，Stitch版推理标记仅从167增至176。使用10%的SFT数据时，更长RL运行达到58.5%，仅SFT为43.9%。直接版口语TriviaQA从40.6%降至34.0%，作者主要归因于全量数据SFT，而非RL。
在污染检查中，团队从评估中移除了AddSub、MultiArith、SingleEQ和SVAMP；在678个被检查问题中，54.0%与Orca-Math在转述层面重叠。评估音频来自GPT-4o-mini-TTS，与训练音频所用TTS不同；GPT-4o担任评估裁判。部署方面，两个模型可自托管，BF16检查点可在单张H100上运行，但还需要GLM-4-Voice仓库提供语音分词器和解码器。权重沿用GLM-4-Voice许可证，目前尚无Hugging Face推理提供商托管这些权重。两个9B检查点已在Hugging Face开放。