Apriel Voice 27B Preview、音声理解・推論・ツール利用を統合

音声アシスタントに求められる機能は、発話を正確に文字起こしすることだけではない。ユーザーの意図を理解し、過去の文脈を維持し、必要に応じて推論し、外部ツールを使って作業を完了することが期待されている。ServiceNow AIのApriel Voice 27B Previewは、このような音声アシスタントを目指し、音声理解、推論、ツール利用を共通のモデルバックボーンに統合した。

主なポイント

• 共通バックボーンによる処理：ポストトレーニング済みのGemma 4 26B-A4B checkpointを基盤とし、音声を直接入力して自然言語の回答またはツール呼び出しを出力する。
• 2段階の音声適応：第1段階で音声インターフェースを構築し、第2段階で音声プロジェクターとバックボーンを共同適応させる。教師ありファインチューニング、テキストリプレイ、データソースに応じた交差エントロピーとforward KLダイバージェンスによる学習を組み合わせている。
• 対話を意識したデータ：自動生成した音声条件付き対話を用い、音声内容の認識だけでなく、継続的な対話の中で依頼を理解する能力を学習させる。
• オンライン蒸留による効率化：ローカルでの教師モデル提供、教師と生徒の計算のオーバーラップ、融合した全語彙損失によって、蒸留処理の効率を高めている。

思考モードでは、Big Bench Audioで98.90、Speech-BFCLで81.13を記録した。τ-Voiceではタスク成功率65.51%、平均レイテンシー1.91秒と報告されている。さらに、English EVAの精度は51.27%、experience pass@1は74.13%だった。これらは音声推論、ツールまたは関数呼び出し、タスク達成、対話体験をまたぐ評価であり、Apriel Voiceが単なる音声認識モデルではなく、音声を汎用的な推論システムへの直接入力として扱おうとしていることを示している。

意義と今後の課題

一般的な音声アプリケーションは、音声認識、対話モデル、ツールオーケストレーター、音声合成を組み合わせて構築される。この構成は各部品を交換しやすい一方、転写ミス、文脈の欠落、モジュール間の遅延が発生する可能性がある。共通バックボーンによる方式は中間処理を減らし、音声リクエストに回答するのか、外部ツールを起動するのかをモデル自身が判断しやすくする。カスタマーサポート、企業業務の自動化、対話型アシスタントなどで注目される方向性だ。

ただし、ベンチマーク結果だけで実運用の安定性が保証されるわけではない。ノイズ環境、長時間対話、複雑なツール連携、安全性が重要な用途での挙動は、今後さらに確認する必要がある。Apriel Voiceは、音声モデルを言語モデルの前段にある文字起こし部品から、理解・推論・実行を担うネイティブな対話主体へ近づける試みとして位置付けられる。

出典：Hugging Face Daily Papers