Apriel Voice 27B Preview：面向语音、推理与工具使用的开放模型

arXiv:2610.40738v1 公告类型：交叉收录 摘要：一个能力出色的语音助手不能仅仅识别词语；它还必须理解请求、结合上下文进行推理、维持对话，并通过工具执行操作。我们推出 Apriel Voice 27B Preview，这是一个开放的语音语言模型，在共享的推理骨干网络中统一了这些能力，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。我们引入了一个两阶段训练流程，使模型适应语音任务。第一阶段建立语音接口，第二阶段则通过监督微调、文本回放，以及依赖数据来源的交叉熵和前向 Kullback--Leibler 散度监督，联合调整投影器与骨干网络。自动构建的以语音为条件的对话提供了对话训练数据，而本地教师模型服务、教师与学生模型计算的重叠执行，以及融合的全词表损失计算，则实现了高效的在线蒸馏。在思考模式下，Apriel Voice 在 Big Bench Audio 上获得 98.90 分，在 Speech-BFCL 上获得 81.13 分，在 $\tau$-Voice 上达到 65.51% 的任务成功率，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% 的体验 pass@1。最后，我们将 Apriel Voice 27B Preview 部署在定制的推理服务平台上，以支持交互式语音交互。