ServiceNow-AI、Apriel Voice 27B Previewを発表

ServiceNow-AIの研究者が、音声理解、推論、ツール利用を共通の基盤で実現するオープンな音声言語モデル「Apriel Voice 27B Preview」を発表しました。事後学習済みのGemma 4 26B-A4Bを基盤とし、テキストと画像も入力できます。対話用の別モデルを介さず、応答とツール呼び出しを直接生成します。チームは独自のサービング基盤に導入し、対話型の音声会話に対応させたと報告しています。

研究者は2段階の学習でモデルを音声に対応させました。第1段階で音声インターフェースを構築し、第2段階ではプロジェクターと基盤モデルを同時に適応させました。第2段階では教師ありファインチューニング、テキストのリプレイ、データ源に応じたクロスエントロピーと順方向カルバック・ライブラー発散による学習を用いました。学習データは、音声条件付きの対話を自動構築して作成しました。オンライン蒸留を支えるため、ローカル環境で教師モデルを稼働させ、教師モデルと生徒モデルの計算を重ね、語彙全体を対象とする損失を統合しました。

思考モードでの評価では、Big Bench Audioが98.90、Speech-BFCLが81.13でした。τ-Voiceでのタスク成功率は65.51％、平均遅延は1.91秒です。論文は英語のEVA正答率51.27％、経験評価のpass@1が74.13％とも報告しています。論文は10月29日に公開され、11月2日にHugging Face Papersへ投稿されました。

ServiceNow-AIの研究者が、音声理解、推論、ツール利用を共通の基盤で実現するオープンな音声言語モデル「Apriel Voice 27B Preview」を発表しました。事後学習済みのGemma 4 26B-A4Bを基盤とし、テキストと画像も入力できます。対話用の別モデルを介さず、応答とツール呼び出しを直接生成します。チームは独自のサービング基盤に導入し、対話型の音声会話に対応させたと報告しています。

研究者は2段階の学習でモデルを音声に対応させました。第1段階で音声インターフェースを構築し、第2段階ではプロジェクターと基盤モデルを同時に適応させました。第2段階では教師ありファインチューニング、テキストのリプレイ、データ源に応じたクロスエントロピーと順方向カルバック・ライブラー発散による学習を用いました。学習データは、音声条件付きの対話を自動構築して作成しました。オンライン蒸留を支えるため、ローカル環境で教師モデルを稼働させ、教師モデルと生徒モデルの計算を重ね、語彙全体を対象とする損失を統合しました。

思考モードでの評価では、Big Bench Audioが98.90、Speech-BFCLが81.13でした。τ-Voiceでのタスク成功率は65.51％、平均遅延は1.91秒です。論文は英語のEVA正答率51.27％、経験評価のpass@1が74.13％とも報告しています。論文は10月29日に公開され、11月2日にHugging Face Papersへ投稿されました。