Apriel Voice 27B Preview: un modello aperto per voce, ragionamento e uso degli strumenti

Abstract degli autori

Un assistente vocale capace deve fare più che riconoscere le parole: deve comprendere le richieste, ragionare sul contesto, sostenere conversazioni e agire tramite strumenti. Presentiamo Apriel Voice 27B Preview, un modello linguistico vocale aperto che riunisce queste capacità in un’unica architettura di ragionamento, mantenendo al contempo le modalità di input testuale e visivo. Basato sul checkpoint Gemma 4 26B-A4B sottoposto a post-training, Apriel Voice elabora direttamente il parlato e genera sia risposte sia chiamate agli strumenti, senza richiedere un modello di dialogo separato. Introduciamo una procedura di addestramento in due fasi per adattare il modello al parlato. La prima fase definisce l’interfaccia vocale, mentre la seconda adatta congiuntamente il proiettore e l’architettura di base tramite fine-tuning supervisionato, replay del testo e supervisione basata sulla cross-entropy e sulla divergenza forward di Kullback--Leibler, entrambe dipendenti dalla fonte. Dialoghi condizionati dal parlato e costruiti automaticamente forniscono dati di addestramento conversazionale, mentre il serving locale del modello insegnante, il calcolo sovrapposto di insegnante e studente e le loss fuse sull’intero vocabolario consentono una distillazione online efficiente. In modalità di ragionamento, Apriel Voice ottiene un punteggio di 98,90 su Big Bench Audio, 81,13 su Speech-BFCL e un tasso di successo nelle attività del 65,51% su $τ$-Voice, con una latenza media di 1,91 secondi. Ottiene inoltre un’accuratezza EVA in inglese del 51,27% e un experience pass@1 del 74,13%. Infine, distribuiamo Apriel Voice 27B Preview su una piattaforma di serving personalizzata per supportare interazioni vocali interattive.