Apriel Voice 27B Preview 发布：面向语音、推理与工具调用的开源模型

作者：Aman Tiwari、Akshay Kalkunte、Akintunde Oladipo、Jash Shah、Tara Bogavelli、Hoang Nguyen、Nishanth Madhusudhan、Vishal Juneja、Sridhar Nemala、Srinivas Sunkara、Sathwik Tejaswi Madhusudhan、Shruthan Radhakrishna、Masoud Hashemi、Kelechi Ogueji、Khalil Slimi、Saloni Mittal、Pulkit Pattnaik、Shashank Maiya、Dhruv Jhamb、Esakkivel Esakkiraja、Katrina Stankiewicz、Gabrielle Gauthier Melançon、Fanny Riols、Amit Saha、Lakshmi Sirisha Chodisetty、Nitin Aggarwal、Anil Madamala、Sagar Davasam、Segan Subramanian、Vikas Yadav、Sai Rajeswar Mudumba

查看 PDF HTML（实验性）

摘要：一个能力出色的语音助手不能只停留在识别词语上；它必须理解请求、基于上下文进行推理、维持对话，并通过工具采取行动。我们提出 Apriel Voice 27B Preview，这是一个开放的语音语言模型，它在共享的推理主干内统一了这些能力，同时保留了文本和图像输入模态。Apriel Voice 基于经过后训练的 Gemma 4 26B-A4B 检查点构建，可直接处理语音并生成回复和工具调用，无需单独的对话模型。我们引入两阶段训练流程，使模型适配语音。第一阶段建立语音接口，第二阶段通过监督微调、文本回放以及依赖来源的交叉熵和前向 Kullback--Leibler 散度监督，联合适配投影器和主干。自动构建的语音条件对话提供对话训练数据，而本地教师服务、教师与学生计算重叠以及融合的全词表损失实现了高效的在线蒸馏。在思考模式下，Apriel Voice 在 Big Bench Audio 上取得 98.90 分，在 Speech-BFCL 上取得 81.13 分，在 $\tau$-Voice 上的任务成功率为 65.51%，平均延迟为 1.91 秒。它还实现了 51.27% 的英语 EVA 准确率和 74.13% 的经验 pass@1。最后，我们将 Apriel Voice 27B Preview 部署在自定义服务平台上，以支持交互式语音交互。

学科：	声音（cs.SD）；计算与语言（cs.CL）；机器学习（cs.LG）；音频与语音处理（eess.AS）
引用为：	arXiv:2610.40738 [cs.SD]
	（或 arXiv:2610.40738v1 [cs.SD] 用于此版本）
	https://doi.org/10.48550/arXiv.2610.40738 arXiv 颁发的 DOI 通过 DataCite（待注册）

提交历史

来自：Aman Tiwari [查看电子邮件]
[v1] 2026年10月29日星期四 14:48:50 UTC（506 KB）