模型架構與多模態輸入能力
Apriel Voice 27B Preview 是一個開放權重模型，其核心設計是在保留文字與圖像輸入能力的基礎上，增加了語音介面。該模型使用 Gemma 4 作為共享的後端骨架，並透過一個學習到的投影層（learned projector）將 Whisper large-v3-turbo 語音編碼器連接到 Gemma 4 26B-A4B 後端。
訓練過程首先對齊這個語音介面，接著使用語音任務和文字重播資料來調整後端模型。監督信號包括交叉熵損失和教師蒸餾，具體方法依數據來源而異。
該模型支援轉錄、翻譯、口頭問答、指令遵循、多步驟請求處理以及結構化工具調用。應用層負責執行工具並將結果返回對話中，而模型本身則生成文字回應和工具呼叫，並非原生全雙工語音輸出。
長音訊處理限制與技術細節
處理器會自動將較長的 16 kHz 單聲道錄音分割成 30 秒的區塊進行處理。根據測試，模型在連續錄音長達約 30 分鐘的情況下表現良好，但隨著音訊時長增加，效能可能會下降。
對於超過 30 分鐘的錄音，雖然技術上支援，但官方建議啟用思考模式以維持較好的處理效果。需要注意的是，音訊區塊與對話的其他部分共享總上下文預算，實際可用的輸入長度還取決於 GPU 記憶體和編碼器快取的限制。
服務範例中包含了針對 30 分鐘音訊的設定，並提供了可選的一小時輸入設定，但這僅為示範配置，並非保證在所有環境下都能穩定運行。
語音任務效能與競品比較
在英文語音評估中，Apriel Voice 27B Preview 在 EVA-A（服務準確度）獲得 51.27%，EVA-X（對話體驗）獲得 74.13%，τ-Voice 任務成功率為 65.51%，平均 τ-Voice 回應延遲為 1.91 秒。
與專有系統相比，GPT Realtime 2.1 在 EVA-A 得分為 59.03%，Gemini-3.8 Live Extended Thinking 在 EVA-X 得分為 73.5% 且 τ-Voice 成功率高達 84.19%。然而，Apriel Voice 作為開放權重模型，其表現顯著優於其他開源方案如 Parakeet + Gemma 4-26B（EVA-A 39.97%）和 UltraVox v0.6（EVA-A 8.94%）。
評估標準中，EVA-A/X 和 τ-Voice pass@1 使用 0–100 量表，數值越高越好。headline EVA 和 τ-Voice 結果採用等域平均值，而非按案例數量加權。所有評估的兩階段和三階段系統均使用 Cartesia Sonic 3.5 進行語音合成。
在 LibriSpeech 基準測試中，Apriel Voice 的詞錯誤率（WER）在 test-clean 為 2.23%，test-other 為 5.15%。較低的 WER 代表更好的識別準確度。
推理能力與文字輸入表現
當使用文字輸入並啟用思考模式時，Apriel Voice 在多個推理基準測試中的表現與純文字的 Gemma 4 26B-A4B 相當或略高。例如，在 GPQA Diamond 測試中，Apriel Voice 得分為 80.40，高於 Gemma 4 的 77.80；在 τ²（使用 GPT-5.2 作為用戶模擬器）測試中，得分從 68.93 提升至 70.95。
在其他數學與邏輯推理測試如 AIME 2024、AIME 2025、MATH-500 和 AMC 2023 中，兩者得分幾乎完全一致，顯示加入語音介面並未顯著損害其核心的文字推理能力。
在語音輸入的思考模式下，模型在 BFCL（81.13）、Big Bench Audio（98.90）和 GSM8K（93.18）等八個基準測試的平均得分為 85.84。這些結果顯示模型能夠處理複雜的語音指令並進行多步推理。
