NVIDIA、テキスト知能を維持する統合型音声・言語モデル「Audex」を発表
NVIDIA は、テキスト知能の劣化を防ぎながら音声入力・出力を統合した大規模モデル「Audex」を発表し、非商用ライセンスで公開しました。
キーポイント
テキスト性能の維持と統合アーキテクチャ
従来のマルチモーダルモデルに見られる「テキスト税(性能低下)」を回避するため、音声入力をテキスト埋め込み空間に投影し、トークンとして均一に処理する単一の MoE モデルとして設計されています。
高度なトレーニング手法と非商用ライセンス
事前学習なしでテキスト SFT から始まり、段階的な音声暖機と生成訓練を行うカリキュラムを採用し、30B パラメータモデルは非商用ライセンスで公開されています。
多様な音声出力に対応するコーデック
音声には X-Codec2 を、非音声(効果音など)にはより高解像度の X-Codec を使用し、複雑なサウンドに対してはトークン予算を動的に割り当てる仕組みを持っています。
多段階学習カリキュラムの重要性
テキスト SFT、オーディオウォームアップ、生成、理解の順序で学習を行うことで、バックボーンのテキスト知能を維持しつつ長文脈検索能力も損なわないことが実証された。
テキスト性能と音声認識での優位性
Audex は MMLU-Redux で 86.4 を記録しバックボーンに匹敵し、OpenASR リーダーボードでは平均単語誤り率 6.82 と競合他社モデルを凌駕する。
汎用的な音声生成と多機能性
他のオープンモデルが苦手とする一般音声を生成可能であり、多言語通訳やアクセシビリティ支援など、実用的なユースケースを広くカバーする。
統合された入出力形式と推論スクリプト
音声理解、ASR、翻訳は共通の ChatML テンプレート(<sound>プレースホルダー使用)で統一され、vLLM を用いたオフライン推論スクリプトが提供されている。
影響分析・編集コメントを表示
影響分析
この発表は、マルチモーダル AI が音声機能を追加してもテキスト処理能力が犠牲になるという業界の課題に対する明確な解決策を示しており、汎用的な音声生成が可能となるオープンモデルの登場は研究開発や応用展開に大きな影響を与えます。特に非商用ライセンスでの公開により、学術界やスタートアップにおける音声 AI の実験とイノベーションを加速させる可能性があります。
編集コメント
テキスト性能を犠牲にせず音声機能を統合した「Audex」の登場は、マルチモーダル AI の実用化における長年の課題解決への大きな一歩です。非商用ながらオープンなモデルとして公開された点は、今後の研究開発コミュニティにとって極めて貴重です。
NVIDIA は、音声とテキストの両方を理解し生成できる統合型オーディオ・テキスト大規模言語モデル「Audex (Nemotron-Labs-Audex-30B-A3B)」をリリースしました。また、このモデルはバックボーンとなる基盤のテキスト知能も保持しています。チェックポイントおよびより小型の Audex-2B は、非商用ライセンスの下で公開されています。
多くのマルチモーダルモデルは「テキスト税」を支払っています。ラボが音声やビジョン出力を追加すると、テキストベンチマークの結果が低下する傾向があります。NVIDIA の研究チームは、音声のみを出力するモデルであってもこの現象が発生することを報告しています。Audex はこうした後退を防ぐために設計されています。
TL;DR
Audex は、入出力ともにオーディオを処理できる単一の 30B-A3B モデル(Mixture-of-Experts: MoE)です。
オーディオ入力テキスト埋め込み空間にエンコードされ、オーディオ出力はテキストトークンとして扱われます。
テキストスコアはバックボーンと同等であり、ベンチマークごとにわずかな向上と低下が見られます。
多段階の教師あり微調整(SFT)およびテキストのみによるカスケード強化学習(RL)により、一般的なマルチモーダルモデルで見られるテキスト性能の後退を回避しています。
音声以外の一般オーディオを生成できるオープンソースモデルは極めて少ないです。
Audex とは何か?
Audex は単一の Mixture-of-Experts (MoE) Transformer デコーダーです。総パラメータ数は 30B で、トークンごとに活性化されるのは 3B です。バックボーンとなるのはテキスト専用の MoE LLM「Nemotron-Cascade-2-30B-A3B」で、これは 52 レイヤーを持つハイブリッド Mamba-Transformer アーキテクチャです。128 のルーティング可能なエキスパートを持ち、そのうち 6 つが活性化されます。
設計は意図的にシンプルにされています。オーディオ入力はエンコードされテキスト埋め込み空間へ投影されます。生成時にはテキストトークンと量子化されたオーディオトークンを均一に扱います。「思考」と「発話」の役割分担はなく、モデルを積み重ねたカスケード構造も採用されていません。
設計がシンプルであるため、Audex は標準的な LLM スタック上で動作します。これには、トレーニング用の Megatron-LM と推論用の vLLM が含まれます。インストラクションモードと思考モードの両方をサポートしており、コンテキスト長は 100 万トークンに達します。
統合設計の仕組み
3 つの構成要素が LLM のバックボーンを取り囲んでいます:
音声エンコーダーが音声を読み取ります。Audex は Audio Flamingo 3 から AF-Whisper を使用しています。これは Whisper Large-v3 アーキテクチャを共有し、16kHz の入力に対応します。
2 層の MLP アダプター(多層パーセプトロンアダプター)が音声特徴量をモデル次元にマッピングします。
拡張された語彙には離散化された音声出力トークンが含まれています。元の 131,072 トークンは 205,312 に増加します。
Audex は出力に 2 つのコーデックを使用します。音声には X-Codec2 を使用し、1 秒あたり 50 トークンのレートで動作します。これは単一層の有限スカラー量子化(FSQ)を適用し、65,536 のコードブックを使用します。
非音声音響には X-Codec を使用し、1 秒あたり 200 トークンのレートで動作します。これは 4 つの平坦化された残差ベクトル量子化(RVQ)層を使用しています。複雑な音響は音声よりも大きなトークン予算を割り当てられます。以下のインタラクティブデモでは、任意の期間に対するこれらのトークン数を計算できます。
(function(){
window.addEventListener("message",function(e){
if(e.data&&e.data.type==="audex-resize"){
var f=document.getElementById("audex-demo-frame");
if(f&&e.data.height){f.style.height=e.data.height+"px;"}
}
});
})();
トレーニング
Audex に音声事前学習は不要です。テキストのみの SFT チェックポイントから開始し、トレーニング段階ごとに機能を追加していきます。
多段階の SFT カリキュラムは、テキスト SFT、オーディオウォームアップ、オーディオ生成、そしてオーディオ理解という順序で実行されます。オーディオウォームアップの間、テキストトークンの埋め込みは凍結されたままです。これらを凍結解除すると、アブレーション実験においてテキストの品質が低下することが確認されました。
NVIDIA の研究チームは、すべてのデータを一度に混合する単一ステージのレシピもテストしました。このレシピでは NIAH における長文コンテキスト検索が破綻しましたが、多段階トレーニングはこの問題を回避したため、デフォルトとして採用されました。
SFT 完了後、研究チームはテキスト専用の Cascade RL とマルチドメインオンポリシー蒸留(MOPD)を適用します。このテキスト専用 RL の後でも、オーディオタスクではわずかな回帰または回帰は見られませんでした。同時にテキストスコアも向上しています。
データミックスは非常に大規模です。1574 億トークンのオーディオデータと 3205 億トークンのテキストデータを組み合わせています。タスクには ASR、AST、TTS、テキストからオーディオへの生成、およびオーディオ理解が含まれます。
ベンチマークとパフォーマンス
テキスト性能において、Audex はそのバックボーンに密接に追従しています。MMLU-Redux では 86.4 を記録し、バックボーンの 86.3 をわずかに上回ります。さらに IMO AnswerBench でも 81.1 で 79.3 のバックボーンを上回り首位を維持しています。MMLU-Pro と GPQA-Diamond では若干の低下が見られます。
Audex は、テキスト専用の Qwen3.5-35B-A3B を複数の推論、アライメント、指示従順性ベンチマークで上回っています。同程度の規模である Qwen3-Omni-30B-A3B-Thinking は、自身のバックボーンと比較して大幅な推論性能の低下を示しています。
BenchmarkAudex 30B-A3BQwen3.5-35B-A3BQwen3-Omni-30B-A3B-Thinking
HMMT Feb2592.289.060.4
IMO AnswerBench81.174.859.9
LiveCodeBench v685.374.659.2
ArenaHard v281.665.455.1
IFBench (prompt)77.870.252.4
音声認識において、Audex はこれらのオープンモデルをリードしています。OpenASR リーダーボードでは平均単語誤り率 6.82 を記録しており、これは Step-Audio-R1.1-33B や Qwen3-Omni-30B-A3B-Thinking を上回る結果です。
音声理解の状況は複雑です。Audex は MMAU においてオープンモデルをリードしていますが、MMAR と MMSU では最強の音声大規模言語モデル(LLM: Large Language Model)に対して差が見られます。また、Audex は他の主要なオープンモデルでは実現できない一般音声も生成できます。
オーディオベンチマーク
Audex 30B-A3B: MMAU 75.6, MMAR 63.2, MMSU 63.4, Audio Entailment 95.0, OpenASR (WER、低いほど良い) 6.82, BigBenchAudio 90.0
Step-Audio-R1.1-33B: MMAU 73.6, MMAR 69.8, MMSU 74.1, Audio Entailment 61.6, OpenASR (WER) 7.9, BigBenchAudio 97.6
Qwen3-Omni-30B-A3B-Thinking: MMAU 75.4, MMAR 66.4, MMSU 70.2, Audio Entailment 61.6, OpenASR (WER) 8.0, BigBenchAudio not reported
Audex は、MMAU、Audio Entailment(音声含意)、および OpenASR の単語誤り率においてリードしています。一方、MMAR、MMSU、BigBenchAudio ではこれらのオープンベースラインに劣っています。
使用例と具体例
多言語コールセンターを想定してください。Audex はドイツ語の通話を文字起こしし、それを英語に翻訳できます。音声翻訳の出力では、ソース言語、文字起こしテキスト、そして英語訳が順に表示されます。
アクセシビリティツールの構築を想定してください。開発者は、読み上げアプリに固定音声のテキスト読み上げ(TTS: Text-to-Speech)機能を追加できます。Seed-TTS-Eval における英語の単語誤り率はわずか 1.70 という低い値です。
サウンドデザインやプロトタイピングを想定してください。「森で鳥がさえずっている」というキャプションを入力すると、10 秒間の音声クリップが生成されます。一般音声の生成には、48kHz の出力を実現するためのエンハンスメント VAE(変分オートエンコーダー)が使用されています。
音声アシスタントを想定してください。音声から音声への処理はカスケード形式で実行されますが、すべてのステップで 1 つのチェックポイントが共有されます。Audex は BigBenchAudio で 90.0 のスコアを獲得しています。
クイックスタート例
Audex は ChatML テンプレートに従います。参照コンテナは vLLM 0.20.0 です。音声入力デコードにはオーディオエクストラが必要です。
音声理解、自動音声認識(ASR)、翻訳は、1 つの音声質問応答フォーマットを共有しています。[placeholder] マーカーが音声が入る場所を示します。
Copy CodeCopiedUse a different Browser
[
{
"id": "sample_0",
"sound": "/path/to/audio_0.wav",
"conversations": [
{"from": "human", "value": "\nDescribe the audio in detail."},
{"from": "gpt", "value": "N/A"}
]
}
]
モデルカードには、この入力フォーマット用の vLLM オーディオ QA スクリプトが同梱されています。
Copy CodeCopiedUse a different Browser
add audio codecs, then run audio QA offline
python3 -m pip install "vllm"
python inference_scripts_vllm/audioqa_scripts/run_audioqa_vllm.py \
--model-path "$(pwd)/checkpoint_folder_full" \
--input-json ./inputs.json \
--output-jsonl ./results.jsonl \
--tensor-parallel-size 8
音声理解については、研究チームは top_p=0.9 および temperature=0.7 を推奨しています。認識および翻訳には貪欲サンプリングを使用します。生成タスクでは、デモのレシピタブに示されているように、分類器フリーガイダンス(classifier-free guidance)が必要です。
Strengths and Weaknesses
Strengths
テキスト専用バックボーンと比較して、テキスト性能の低下はわずかなし、あるいは全くありません。
Megatron-LM および vLLM と互換性のある単一の統一モデルです。
最も強力なオープンモデルの一つであり、一般音声生成が可能なのは Audex だけです。
いくつかの推論およびアライメントタスクにおいて Qwen3.5-35B-A3B を上回っています。
Weaknesses
NVIDIA OneWay Noncommercial License(非商用ライセンス)により、商業利用が制限されています。
音声理解においては、MMAR や MMSU といった評価基準において、主要な音声大規模言語モデル(LLM)と比較してまだ課題が残っています。
音声から音声への変換はカスケード方式であり、ネイティブのフルデュプレックス通信ではありません。
強化学習はテキストデータのみを対象としており、音声とテキストを組み合わせた強化学習については今後の検討課題としています。
論文やモデル重み(Weights)をご確認ください。また、Twitter でフォローしていただくことも歓迎いたします。15 万人以上の ML 関連ユーザーが参加する当社の SubReddit にぜひご参加ください。さらに、ニュースレターへの購読も忘れずにお願いします。待ってください!Telegram をご利用ですか?今なら Telegram でも私たちに参加いただけます。
GitHub リポジトリや Hugging Face ページ、製品リリース、ウェビナーなどのプロモーションを当社と連携して行いたい場合は、ご連絡ください。
本記事「NVIDIA Releases Audex (Nemotron-Labs-Audex-30B-A3B): A Unified Audio-Text LLM That Preserves the Text Intelligence of Its Backbone」は、MarkTechPost で最初に公開されました。
原文を表示
NVIDIA has released Audex (Nemotron-Labs-Audex-30B-A3B), a unified audio-text large language model. It understands and generates both audio and speech. It also keeps the text intelligence of its backbone. The checkpoints, along with a smaller Audex-2B, are released under a noncommercial license.
Most multimodal models pay a text tax. When labs add audio or vision output, text benchmarks often drop. NVIDIA research team reports this even for speech-only output models. Audex is designed to avoid that regression.
TL;DR
Audex is a single 30B-A3B MoE model that handles audio in and out.
Audio inputs enter the text embedding space; audio outputs are treated like text tokens.
Text scores match the backbone, with small gains and small losses per benchmark.
Multi-stage SFT plus text-only Cascade RL avoids the usual multimodal text regression.
It is few of the open models that generate general audio beyond speech.
What is Audex?
Audex is a single Mixture-of-Experts (MoE) Transformer decoder. It has 30B total parameters and 3B activated per token. The backbone is Nemotron-Cascade-2-30B-A3B, a text-only MoE LLM. That backbone is a hybrid Mamba-Transformer with 52 layers. It uses 128 routable experts and 6 activated experts.
The design is deliberately simple. Audio inputs are encoded and projected into the text embedding space. Text tokens and quantized audio tokens are then treated uniformly during generation. There is no thinker-talker split and no stacked cascade of models.
Because the design stays simple, Audex runs on standard LLM stacks. These include Megatron-LM for training and vLLM for inference. It supports both an instruct mode and a thinking mode. Context length reaches 1M tokens.
How the Unified Design Works
Three components sit around the LLM backbone:
An audio encoder reads sound. Audex uses AF-Whisper from Audio Flamingo 3. It shares the Whisper Large-v3 architecture and handles 16kHz input.
Two-layer MLP adapters map audio features into the model dimension.
An extended vocabulary holds discrete audio output tokens. The original 131,072 tokens grow to 205,312.
Audex uses two codecs for output. Speech uses X-Codec2 at 50 tokens per second. It applies single-layer finite scalar quantization (FSQ) with a 65,536 codebook.
Non-speech sound uses X-Codec at 200 tokens per second. It uses four flattened residual vector quantization (RVQ) layers. Complex sound gets a larger token budget than speech. The interactive demo below computes these token counts for any duration.
(function(){
window.addEventListener("message",function(e){
if(e.data&&e.data.type==="audex-resize"){
var f=document.getElementById("audex-demo-frame");
if(f&&e.data.height){f.style.height=e.data.height+"px";}
}
});
})();
Training
Audex needs no audio pretraining. It starts from the text-only SFT checkpoint. Training then adds capabilities stage by stage.
The multi-stage SFT curriculum runs in order: text SFT, audio warmup, audio generation, then audio understanding. During audio warmup, text token embeddings stay frozen. Unfreezing them degraded text quality in ablations.
NVIDIA research team also tested a single-stage recipe that mixes all data at once. That recipe broke long-context retrieval on NIAH. Multi-stage training avoided this, so it became the default.
After SFT, the research team applies text-only Cascade RL and multi-domain on-policy distillation (MOPD). Audio tasks show marginal or no regression after this text-only RL. Text scores improve at the same time.
The data mix is large. It combines 157.4B audio tokens and 320.5B text tokens. Tasks span ASR, AST, TTS, text-to-audio, and audio understanding.
Benchmark and Performance
On text, Audex tracks its backbone closely. It scores 86.4 on MMLU-Redux against the backbone’s 86.3. It even leads on IMO AnswerBench, 81.1 versus 79.3. Small drops appear on MMLU-Pro and GPQA-Diamond.
Audex also tops the text-only Qwen3.5-35B-A3B on several reasoning, alignment, and instruction-following benchmarks. The comparably sized Qwen3-Omni-30B-A3B-Thinking shows large reasoning drops versus its own backbone.
BenchmarkAudex 30B-A3BQwen3.5-35B-A3BQwen3-Omni-30B-A3B-Thinking
HMMT Feb2592.289.060.4
IMO AnswerBench81.174.859.9
LiveCodeBench v685.374.659.2
ArenaHard v281.665.455.1
IFBench (prompt)77.870.252.4
On speech recognition, Audex leads these open models. It records 6.82 average word error rate on the OpenASR leaderboard. That beats Step-Audio-R1.1-33B and Qwen3-Omni-30B-A3B-Thinking.
On audio understanding the picture is mixed. Audex leads open models on MMAU. It shows gaps on MMAR and MMSU versus the strongest audio LLMs. Audex also generates general audio, which the other leading open models cannot.
Audio benchmarkAudex 30B-A3BStep-Audio-R1.1-33BQwen3-Omni-30B-A3B-Thinking
MMAU75.673.675.4
MMAR63.269.866.4
MMSU63.474.170.2
Audio Entailment95.061.661.6
OpenASR (WER, lower is better)6.827.918.00
BigBenchAudio90.097.6not reported
Audex leads on MMAU, Audio Entailment, and OpenASR word error rate. It trails these open baselines on MMAR, MMSU, and BigBenchAudio.
Use Cases with Examples
Consider a multilingual call center. Audex can transcribe a German call and translate it to English. Its speech translation output lists the source language, transcript, then English translation.
Consider accessibility tooling. A developer can add fixed-voice text-to-speech to a reading app. The Seed-TTS-Eval English word error rate is a low 1.70.
Consider sound design or prototyping. A caption like “birds chirping in a forest” yields a 10-second clip. General audio generation uses an enhancement VAE for 48kHz output.
Consider a voice assistant. Speech-to-speech runs as a cascade, but one checkpoint serves every step. Audex scores 90.0 on BigBenchAudio.
Quick Start Example
Audex follows the ChatML template. The reference container is vLLM 0.20.0. Audio input decoding needs the audio extras.
Audio understanding, ASR, and translation share one audio question-answering format. The <sound> placeholder marks where the audio goes.
Copy CodeCopiedUse a different Browser
[
{
"id": "sample_0",
"sound": "/path/to/audio_0.wav",
"conversations": [
{"from": "human", "value": "<sound>\nDescribe the audio in detail."},
{"from": "gpt", "value": "N/A"}
]
}
]
The model card ships a vLLM audio-QA script for this input format.
Copy CodeCopiedUse a different Browser
add audio codecs, then run audio QA offline
python3 -m pip install "vllm"
python inference_scripts_vllm/audioqa_scripts/run_audioqa_vllm.py \
--model-path "$(pwd)/checkpoint_folder_full" \
--input-json ./inputs.json \
--output-jsonl ./results.jsonl \
--tensor-parallel-size 8
For audio understanding, the research team recommends top_p=0.9 and temperature=0.7. For recognition and translation, use greedy sampling. Generation tasks need classifier-free guidance, shown in the demo’s recipe tab.
Strengths and Weaknesses
Strengths
Marginal or no text regression versus its text-only backbone.
Single unified model, compatible with Megatron-LM and vLLM.
Among the strongest open models, only Audex generates general audio.
Leads Qwen3.5-35B-A3B on several reasoning and alignment tasks.
Weaknesses
The NVIDIA OneWay Noncommercial License limits commercial use.
Audio understanding shows gaps on MMAR and MMSU versus top audio LLMs.
Speech-to-speech is cascaded, not native full-duplex.
Reinforcement learning is text-only; audio-text RL is future work.
Check out the Paper and Model Weights. Also, feel free to follow us on Twitter and don’t forget to join our 150k+ML SubReddit and Subscribe to our Newsletter. Wait! are you on telegram? now you can join us on telegram as well.
Need to partner with us for promoting your GitHub Repo OR Hugging Face Page OR Product Release OR Webinar etc.? Connect with us
The post NVIDIA Releases Audex (Nemotron-Labs-Audex-30B-A3B): A Unified Audio-Text LLM That Preserves the Text Intelligence of Its Backbone appeared first on MarkTechPost.
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み