Apriel Voice 27B Preview: An Open Model for Speech, Reasoning, and Tool Use
Pubblicata su AIChronos il · fonte del · Aman Tiwari, Akshay Kalkunte, Akintunde Oladipo, Jash Shah, Tara Bogavelli, Hoang Nguyen (ServiceNow-AI)
Apriel Voice 27B Preview è un modello open-source per il linguaggio e la voce che unifica riconoscimento audio, ragionamento contestuale e utilizzo di strumenti su uno stesso backbone. Costruito partendo dal checkpoint Gemma 4 26B-A4B post-trained, il modello elabora direttamente l'input vocale generando risposte e chiamate a tool senza richiedere modelli dialogici separati. L'addestramento avviene in due fasi: prima si stabilisce l'interfaccia vocale, poi si adatta congiuntamente projector e backbone tramite supervised fine-tuning con replay testuale e supervisione cross-entropy/Kullback-Leibler dipendente dalla fonte. Il modello raggiunge prestazioni elevate su benchmark audio (98.90 su Big Bench Audio) e mantiene latenze medie di 1.91 secondi in modalità thinking.
- Unifica capacità vocali, ragionamento logico e tool use all'interno di un unico backbone condiviso senza modelli separati per il dialogo.
- Addestramento a due stadi: primo stadio per l'interfaccia vocale, secondo stadio con supervised fine-tuning combinato a text replay e distillazione efficiente online.
- Supporta input misti testo-immagine oltre all'audio nativo, mantenendo le capacità multimodali del modello base Gemma 4.
- Ottimizzato per l'inference locale tramite tecniche come local teacher serving e fused full-vocabulary losses che riducono i costi computazionali.
- Raggiunge un task success rate del 65.51% su τ-Voice con una latenza media di 1.91 secondi in modalità ragionamento attivo.
Perché conta. Permette agli sviluppatori di integrare assistenti vocali avanzati direttamente nei propri agenti AI locali senza dipendere da API cloud proprietarie. Fornisce un'architettura pronta per l'inference che combina ragionamento complesso e tool use, riducendo la necessità di pipeline multi-modello.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.