audio-text-llm

NVIDIA 发布了 Nemotron-Labs-Audex-30B-A3B，这是一个统一的音频-文本大语言模型，基于 30B MoE 主干网，激活参数量为 3B。该模型在音频理解、语音识别/翻译和生成方面表现出色，同时保留了文本推理和对齐能力。

这篇论文介绍了Audex，这是NVIDIA推出的统一音频-文本大语言模型，在多种音频和语音任务上实现了最先进的性能，同时保持了强大的文本推理能力，且没有出现退化。