Apriel Voice 27B Preview, 음성 이해·추론·도구 사용 통합

음성 비서가 처리해야 할 일은 발화를 정확히 받아쓰는 것보다 많다. 사용자의 의도를 파악하고, 앞선 대화의 맥락을 유지하며, 요청을 추론하고, 필요한 경우 외부 도구를 호출해 작업을 끝내야 한다. ServiceNow AI의 Apriel Voice 27B Preview는 이러한 방향을 겨냥한 개방형 음성 언어 모델이다. 음성 이해, 추론, 도구 사용을 별도의 대화 모델에 나누지 않고 하나의 공유 백본 안에서 처리하도록 설계됐다.

핵심 내용

• 공유 추론 백본: 사후 학습된 Gemma 4 26B-A4B checkpoint를 기반으로 하며, 음성을 직접 입력받아 자연어 응답이나 도구 호출을 생성한다.
• 두 단계 음성 적응: 첫 단계에서는 음성 인터페이스를 구축하고, 두 번째 단계에서는 음성 프로젝터와 백본을 함께 조정한다. 지도 미세조정, 텍스트 리플레이, 데이터 출처에 따른 교차엔트로피와 순방향 KL 발산 감독을 사용한다.
• 대화 중심 학습 데이터: 자동으로 구성한 음성 조건부 대화를 활용해 음성 내용을 인식하는 능력뿐 아니라, 지속적인 대화 속에서 요청을 이해하는 능력도 학습한다.
• 온라인 증류 최적화: 로컬 교사 모델 서비스, 교사와 학생의 계산 중첩, 융합된 전체 어휘 손실을 이용해 학습 효율을 높인다.

사고 모드에서 Apriel Voice는 Big Bench Audio에서 98.90점, Speech-BFCL에서 81.13점을 기록했다. τ-Voice에서는 작업 성공률 65.51%, 평균 지연 시간 1.91초가 보고됐다. English EVA 정확도는 51.27%, experience pass@1은 74.13%였다. 이 수치들은 오디오 추론, 도구 또는 함수 호출, 작업 완료, 대화 경험을 폭넓게 평가한다. 따라서 이 모델은 단순한 음성 인식 시스템보다는, 음성을 범용 추론 비서로 연결하는 직접적인 입력 채널로 정의된다.

의미와 영향

기존 음성 애플리케이션은 보통 자동 음성 인식, 대화 모델, 도구 오케스트레이터, 음성 합성 모듈을 조합한다. 이런 모듈식 구조는 부품 교체가 쉽지만, 음성 인식 오류와 문맥 손실, 모듈 사이의 추가 지연이 발생할 수 있다. 공유 모델 구조는 일부 중간 단계를 줄이고, 음성 요청에 답할지 외부 도구를 실행할지를 하나의 시스템 안에서 판단하도록 만들 가능성이 있다. 고객 지원, 기업 업무 자동화, 실시간 음성 비서가 주요 적용 분야가 될 수 있다.

다만 벤치마크 점수만으로 실제 서비스의 안정성을 판단할 수는 없다. 소음 환경, 긴 대화, 복잡한 도구 연계, 안전성이 중요한 업무에서의 동작은 더 확인해야 한다. 또한 프리뷰 모델의 가중치와 추론 자원, 실제 배포 비용도 사용성을 좌우한다. 그럼에도 Apriel Voice는 음성 모델을 언어 모델 앞단의 받아쓰기 모듈에서, 이해하고 추론하며 행동하는 통합형 상호작용 주체로 확장하려는 흐름을 보여준다.

출처: Hugging Face Daily Papers