論文の概要: Apriel Voice 27B Preview: An Open Model for Speech, Reasoning, and Tool Use

• arxiv url: http://arxiv.org/abs/2610.40738v1
• Date: Thu, 29 Oct 2026 14:48:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.45344
• Title: Apriel Voice 27B Preview: An Open Model for Speech, Reasoning, and Tool Use
• Title（参考訳）: Apriel Voice 27B Preview: 音声、推論、ツール使用のためのオープンモデル
• Abstract要約: Apriel Voice 27B Previewは、共有推論バックボーン内の機能を統一するオープン音声言語モデルである。 Apriel Voiceは音声を直接処理し、別の対話モデルを必要としない応答とツールコールの両方を生成する。 Big Bench Audioでは98.90、Speech-BFCLでは81.13、$-Voiceでは65.51%、平均レイテンシは1.91秒である。
• 参考スコア（独自算出の注目度）: 12.70332818000851
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A capable voice assistant must do more than recognize words; it must understand requests, reason over context, sustain conversations, and act through tools. We present Apriel Voice 27B Preview, an open speech-language model that unifies these capabilities within a shared reasoning backbone while retaining text and image input modalities. Built on the post-trained Gemma 4 26B-A4B checkpoint, Apriel Voice directly processes speech and generates both responses and tool calls without requiring a separate dialogue model. We introduce a two-stage training procedure to adapt the model to speech. The first stage establishes the speech interface, while the second jointly adapts the projector and backbone through supervised fine-tuning, text replay, and source-dependent cross-entropy and forward Kullback--Leibler divergence supervision. Automatically constructed speech-conditioned dialogues provide conversational training data, while local teacher serving, overlapping teacher and student computation, and fused full-vocabulary losses enable efficient online distillation. In thinking mode, Apriel Voice achieves a score of 98.90 on Big Bench Audio, 81.13 on Speech-BFCL, and a task success rate of 65.51% on $τ$-Voice, with a mean latency of 1.91 seconds. It also achieves 51.27% English EVA accuracy and 74.13% experience pass@1. Finally, we deploy Apriel Voice 27B Preview on a custom serving platform to support interactive voice interactions.
• Abstract（参考訳）: 有能な音声アシスタントは、言葉を認識する以上のことをしなければならない。 Apriel Voice 27B Previewは、テキストと画像入力のモダリティを維持しながら、これらの機能を共有推論バックボーン内に統一するオープン音声言語モデルである。 ポストトレーニング後のGemma 4 26B-A4Bチェックポイント上に構築されたApriel Voiceは、音声を直接処理し、別々の対話モデルを必要としない応答とツールコールの両方を生成する。 モデルに音声を適応させるための2段階の訓練手順を導入する。 第1ステージは音声インタフェースを確立し、第2ステージは監督された微調整、テキスト再生、ソース依存のクロスエントロピー、前方のクルバック-リーブラ分散監視を通じて、プロジェクタとバックボーンを共同で適応する。 自動構築された音声条件対話は、会話による訓練データを提供する一方で、現地の教師が提供し、教師と生徒の計算が重複し、融合した全語彙の損失は効率的なオンライン蒸留を可能にする。 思考モードでは、Apriel VoiceはBig Bench Audioで98.90、Speech-BFCLで81.13、タスク成功率は$τ$-Voiceで65.51%、平均遅延は1.91秒である。 また、英語のEVA精度は51.27%、経験パスは74.13%である。 最後に、対話型音声対話をサポートするために、Apriel Voice 27B Previewをカスタムサービスプラットフォームにデプロイする。

関連論文リスト

• Qwen-Audio-3.1-Realtime: Towards Reliable Agentic Voice Interaction [36.155594348195784]
  我々は、Think、Act、Speak Coordinateという、ツールの使用、フィードバックの解釈、タスクの完了をモデルに教えるツールを紹介します。 また、Qwen-Audio-3.0-Realtimeを前景として使用し、コーディネーションメモリによる音声対話を永続的なタスクに拡張する、別のVoice Harnessプロトタイプも提示する。
  論文  参考訳（メタデータ） (2026-09-21T14:20:47Z)
• Covo-Audio Technical Report [61.09708870154148]
  7BバックエンドのLALMであるCovo-Audioは、連続的なオーディオ入力を直接処理し、単一の統一アーキテクチャ内でオーディオ出力を生成する。 対話指向の変種であるCovo-Audio-Chatは、意味的に強い会話能力を示す。
  論文  参考訳（メタデータ） (2026-02-10T14:31:11Z)
• F-Actor: Controllable Conversational Behaviour in Full-Duplex Models [70.48189107402145]
  典型的な学術的制約下で効率的に訓練できる,第1にオープンかつ命令追従型全段階会話音声モデルを提案する。 我々のモデルは、大規模な事前訓練や多段階事前訓練に頼ることなく、わずか2000時間のデータしか必要としない。 モデルとトレーニングコードの両方がリリースされ、制御可能なフルステージ音声システムに関する再現可能な研究が可能になる。
  論文  参考訳（メタデータ） (2026-01-16T14:25:57Z)
• Fun-Audio-Chat Technical Report [71.07966678560291]
  音声トークン(25Hz)とテキストトークン(3Hz)の間の時間分解能は意味情報のミスマッチを緩和し、高い計算コストを発生させる。 本稿では,大規模な音声合成タスクであるFun-Audio-Chatを紹介する。 Fun-Audio-Chat 8BとMoE 30BA3Bは、SpeechTextとSpeech-to-scaleタスクの競合性能を達成する。
  論文  参考訳（メタデータ） (2025-12-23T08:35:27Z)
• UltraVoice: Scaling Fine-Grained Style-Controlled Speech Conversations for Spoken Dialogue Models [37.12134339309316]
  我々は,複数のきめ細かい音声スタイル制御のために開発された,最初の大規模音声対話データセットであるUltraVoiceを紹介する。 SLAM-OmniやVocalNet on UltraVoiceのような微調整型の先行モデルは、その微調整性を大幅に向上させる。 URO-Benchベンチマークでは、微調整されたモデルでは、コア理解、推論、会話能力が大幅に向上した。
  論文  参考訳（メタデータ） (2025-10-26T09:06:55Z)
• Distilling an End-to-End Voice Assistant Without Instruction Training Data [53.524071162124464]
  Distilled Voice Assistant (DiVA)は、質問応答、分類、翻訳を一般化する。 Qwen 2 Audioのような最先端のモデルと比較すると,DiVAはユーザの好みによく適合し,72%の勝利率を達成した。
  論文  参考訳（メタデータ） (2024-10-03T17:04:48Z)
• ACE-VC: Adaptive and Controllable Voice Conversion using Explicitly Disentangled Self-supervised Speech Representations [12.20522794248598]
  自己教師付き学習で訓練された音声表現を用いたゼロショット音声変換法を提案する。 我々は,発話を言語内容,話者特性,発話スタイルなどの特徴に分解するマルチタスクモデルを開発した。 次に,その表現から音声信号を効果的に再構成できるピッチと時間予測器を備えた合成モデルを開発する。
  論文  参考訳（メタデータ） (2023-02-16T08:10:41Z)
• Learning Explicit Prosody Models and Deep Speaker Embeddings for Atypical Voice Conversion [60.808838088376675]
  本稿では,明示的な韻律モデルと深層話者埋め込み学習を用いたVCシステムを提案する。 韻律補正器は音素埋め込みを取り入れ、典型的な音素持続時間とピッチ値を推定する。 変換モデルは、音素埋め込みと典型的な韻律特徴を入力として、変換された音声を生成する。
  論文  参考訳（メタデータ） (2020-11-03T13:08:53Z)
• VoiceCoach: Interactive Evidence-based Training for Voice Modulation Skills in Public Speaking [55.366941476863644]
  ピッチ,ボリューム,速度などの音声特性の変調は,公的な発話を成功させる上で極めて重要である。 音声変調スキルの効果的な訓練を容易にする対話型エビデンスに基づくアプローチであるVoiceCoachを提案する。
  論文  参考訳（メタデータ） (2020-01-22T04:52:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。