Apriel Voice 27B Preview: Mô hình mở cho giọng nói, suy luận và sử dụng công cụ
Apriel Voice 27B Preview là một mô hình ngôn ngữ giọng nói mở, được thiết kế để nhận dạng lời nói, hiểu ngữ cảnh, suy luận, duy trì hội thoại và sử dụng các công cụ bên ngoài. Được xây dựng trên checkpoint Gemma 4 26B-A4B đã qua hậu huấn luyện, mô hình xử lý trực tiếp đầu vào giọng nói nhưng vẫn giữ khả năng nhận văn bản và hình ảnh, đồng thời tạo ra cả câu trả lời bằng ngôn ngữ tự nhiên lẫn lệnh gọi công cụ mà không cần một mô hình hội thoại riêng. Mô hình được thích ứng với giọng nói qua hai giai đoạn huấn luyện: trước tiên thiết lập giao diện giọng nói, sau đó tinh chỉnh đồng thời thành phần xử lý giọng nói và mô hình chính bằng dữ liệu có giám sát, lặp lại dữ liệu văn bản và hướng dẫn từ mô hình giáo viên. Nhóm nghiên cứu cũng tự động tạo các đoạn hội thoại có điều kiện theo giọng nói để huấn luyện khả năng trò chuyện. Về thực tế, công trình này mang đến một nền tảng tiềm năng cho các tác nhân giọng nói có thể suy luận và thực hiện hành động, thay vì chỉ chép lời rồi trả lời.
Các nhà phát triển trợ lý giọng nói có thể theo dõi Apriel Voice 27B Preview như một hướng tiếp cận mã nguồn mở để kết hợp nghe, suy luận và gọi công cụ trong cùng một mô hình. Bài báo cũng đáng chú ý vì cho thấy dữ liệu hội thoại giọng nói và kỹ thuật huấn luyện hai giai đoạn có thể được dùng để xây dựng tác nhân thoại đa phương thức.
Đọc bài gốc