Um artigo publicado no arXiv apresenta o Apriel Voice 27B Preview, descrito por seus autores como um modelo aberto de linguagem e fala. Segundo o resumo, o sistema reúne compreensão de solicitações, raciocínio sobre o contexto, conversação e uso de ferramentas em uma estrutura de raciocínio compartilhada. O modelo também mantém entradas de texto e imagem.

De acordo com os autores, o Apriel Voice foi construído sobre um checkpoint pós-treinado do Gemma 4 26B-A4B. O resumo afirma que o modelo processa fala diretamente e pode produzir respostas e chamadas de ferramentas, sem exigir um modelo de diálogo separado. O texto não especifica se há ou não uma etapa de transcrição intermediária.

Treinamento e funcionamento

O artigo descreve um treinamento em duas etapas. A primeira estabelece a interface de fala. Na segunda, os autores adaptam em conjunto o projetor e o núcleo do modelo, com ajuste fino supervisionado, reexibição de texto e supervisão baseada em entropia cruzada e divergência KL direta, conforme a fonte dos dados. O resumo também informa que os diálogos condicionados por fala usados no treinamento foram construídos automaticamente.

Para a destilação online, os autores mencionam execução local de um modelo professor, sobreposição dos cálculos do professor e do aluno e perdas fundidas sobre todo o vocabulário. O resumo apresenta esses elementos, mas não detalha como foram implementados.

Resultados relatados

No modo de raciocínio, o artigo informa pontuação de 98,90 no Big Bench Audio e de 81,13 no Speech-BFCL. Para o τ-Voice, relata taxa de sucesso de tarefas de 65,51% e latência média de 1,91 segundo. O resumo também registra 51,27% de acurácia em inglês no EVA e 74,13% de experiência pass@1.

Os autores afirmam que implantaram o modelo em uma plataforma de serviço personalizada para interações de voz. O resumo fornecido não apresenta comparações com outros modelos, não explica em detalhe o que cada métrica avalia e não informa a licença ou onde os pesos podem ser obtidos. Assim, os resultados citados devem ser lidos como números reportados pelos autores, sem contexto comparativo no texto disponível.