Apriel Voice 27B Preview：把语音理解、推理与工具调用放进同一模型

语音助手的能力边界，正在从“听懂用户说了什么”扩展到“理解意图、保持上下文并完成任务”。ServiceNow AI 发布的 Apriel Voice 27B Preview，正是沿着这一方向设计的一款开放语音语言模型：它把语音输入、文本与图像理解、推理以及工具调用放在同一个共享骨干中处理，而不是先由独立语音识别模块转写，再交给另一个对话模型接管。

核心要点

• 共享推理骨干：模型基于经过后训练的 Gemma 4 26B-A4B checkpoint，可直接处理语音，并生成自然语言回复或工具调用结果。
• 两阶段语音适配：第一阶段主要建立语音输入接口；第二阶段则联合调整语音投影器与模型骨干，同时使用监督微调、文本回放以及按数据来源区分的交叉熵和前向 KL 散度监督。
• 面向对话与行动：训练数据包含自动构建的语音条件对话，使模型不仅学习识别语音内容，也学习在连续交流中理解任务和采取行动。
• 在线蒸馏优化：研究团队采用本地教师模型服务、教师与学生计算重叠，以及融合的全词表损失，提升语音适配过程中的训练效率。

在思考模式下，Apriel Voice 在 Big Bench Audio 上获得 98.90 分，在 Speech-BFCL 上获得 81.13 分；在 τ-Voice 中，任务成功率为 65.51%，平均延迟为 1.91 秒。模型在 English EVA 上的准确率为 51.27%，experience pass@1 为 74.13%。这些结果覆盖了音频推理、函数或工具调用、任务完成和交互体验等不同维度，说明其目标并非单纯提高语音识别准确率，而是让语音成为通往通用智能助手的一种输入方式。

意义与影响

传统语音应用往往由 ASR、对话模型、工具编排器和语音合成模块拼接而成。这种架构便于替换组件，却也可能引入转写误差、上下文丢失和多模块延迟。Apriel Voice 的统一方案有望减少中间环节，让模型直接根据语音请求决定回答方式或调用工具。对于客服、企业流程自动化和实时助手等场景，这种能力尤其重要。

不过，基准成绩并不等同于真实环境中的稳定体验。预览版模型的开放程度、推理资源需求、长对话表现、噪声环境下的鲁棒性，以及工具调用的安全边界，仍需要通过模型权重、部署平台和更多独立测试进一步确认。整体来看，Apriel Voice 代表了一条值得关注的路线：语音模型不再只是语言模型前端的听写模块，而开始成为能够理解、推理并执行任务的统一交互主体。

来源：Hugging Face Daily Papers