论文页面 - Apriel Voice 27B Preview：一个用于语音、推理与工具调用的开源模型

来源: https://huggingface.co/papers/2610.40738 作者:

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

Apriel Voice 27B Preview 是一个开源语音-语言模型，通过共享骨干网络统一了语音理解、推理和工具调用能力，并采用两阶段训练流程与在线蒸馏，在音频基准测试上取得了强劲的表现。

一个有能力的语音助手不能只会识别文字；它必须理解请求、在上下文上进行推理、维持对话，并通过工具执行行动。我们提出了 Apriel Voice 27B Preview，一个开源语音-语言模型（https://huggingface.co/papers?q=speech-language%20model），在共享的推理骨干中统一了这些能力，同时保留了文本和图像输入模态。基于后训练的 Gemma 4 26B-A4B（https://huggingface.co/papers?q=Gemma%204%2026B-A4B）检查点构建，Apriel Voice 可以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。我们提出了一种两阶段训练流程来使模型适配语音。第一阶段建立语音接口，第二阶段通过监督微调（https://huggingface.co/papers?q=supervised%20fine-tuning）、文本回放（https://huggingface.co/papers?q=text%20replay）以及源相关的交叉熵（https://huggingface.co/papers?q=cross-entropy）和前向 Kullback-Leibler 散度监督，联合调整投影器（https://huggingface.co/papers?q=projector）和骨干网络。自动构建的语音条件对话提供了对话训练数据，而本地教师服务、教师与学生计算的重叠以及融合的全词表损失实现了高效的在线蒸馏（https://huggingface.co/papers?q=online%20distillation）。在思考模式下，Apriel Voice 在 Big Bench Audio（https://huggingface.co/papers?q=Big%20Bench%20Audio）上得分为 98.90，在 Speech-BFCL（https://huggingface.co/papers?q=Speech-BFCL）上得分为 81.13，在 τ-Voice（https://huggingface.co/papers?q=%CF%84-Voice）上的任务成功率为 65.51%，平均延迟为 1.91 秒。它还达到了 51.27% 的英文 EVA 准确率和 74.13% 的经验 pass@1。最后，我们将 Apriel Voice 27B Preview 部署在定制的服务平台上，以支持交互式语音交互。

查看 arXiv 页面 (https://arxiv.org/abs/2610.40738)查看 PDF (https://arxiv.org/pdf/2610.40738)项目页面 (https://servicenow-ai-apriel.hf.space/home)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2610.40738)

在你的 agent 中获取本文：

hf papers read 2610.40738

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型 1

ServiceNow-AI/Apriel-Voice-27B-preview Audio-Text-to-Text• 27B• 约 2 小时前更新 • 294 • 53 (https://huggingface.co/ServiceNow-AI/Apriel-Voice-27B-preview)

引用本文的数据集 0

没有数据集链接本文

在数据集的 README.md 中引用 arxiv.org/abs/2610.40738，即可从本页面链接它。

引用本文的 Spaces 1

包含本文的收藏 0

没有收藏包含本文

将本文添加到收藏 (https://huggingface.co/new-collection) 以从本页面链接它。