Apriel Voice 27B Preview 開放：語音接推理與工具，1.91 秒及部署條件怎麼看？

語音助理聽懂一句話之後，還得保留前文、決定要查什麼，並把結果交回來。把錄音變成文字，只完成這條路的一段。

ServiceNow 在 2026 年 10 月 29 日介紹 Apriel Voice 27B Preview，提供開放權重的語音、推理與工具使用模型。權重是訓練後的參數檔，讓有設備的團隊能自行執行。

它能產生文字與工具呼叫，但聲音回覆仍要外接合成服務，輪到誰說話也由應用安排。因此，展示能對話不代表權重原生包辦邊聽邊說的全雙工語音。

官方英文測試列平均回應一點九一秒，包含生成和外部合成。這是特定系統的成績，不同語言與硬體不能直接沿用。

已有語音服務與部署能力的團隊，可以先比較一段明確工具流程。只想安裝即用的人，則要把外部元件與運算成本一起算進來。

先分清模型與整個應用的工作，才能理解能力、數字和自行部署的界線。

Apriel Voice 把語音接到推理，哪些仍要應用處理？

這份權重負責理解輸入並產生文字和工具要求，完整語音對話還有外部環節。依 官方模型卡，應用要執行工具、把結果送回對話，並安排語音合成與發言順序。

27B 指約二百七十億個參數，描述模型的規模，不是所需記憶體容量。模型卡列 MIT 授權，提供可下載的權重，但開放檔案不會順便替使用者準備好運算設備或所有外部服務。

聽到聲音之後，還需要決定下一步

架構由 Whisper 語音編碼器把聲音轉成可供模型處理的表示，再透過訓練出的連接層接到 Gemma 4 骨幹。骨幹可以理解為主要推理模型，負責結合對話內容產生回答或工具呼叫。

這與先把每段聲音完整轉錄成文字，再把逐字稿交給另一個模型的流程不同。不過，兩種流程最後都需要把可交付的內容送回使用者，不能只因前段整合較緊密，就省略後段的完成確認。

當 Apriel Voice 決定查資料，它輸出的是結構化要求，例如使用哪個工具、傳入哪些參數。應用收到要求後才真正執行，取回結果，再讓模型繼續回答。

聲音回覆則由外部文字轉語音服務處理。模型卡也明確說，權重本身不是原生全雙工聲音對聲音模型，不能把應用展示的整段語音互動都算成單一權重直接生成。

分清工作分配之後，模型如何保留多種輸入就比較容易理解。

文字、影像與長錄音，怎麼共用對話？

音訊和其他內容共用上下文，因此錄得更長也會增加資料與記憶體需求。上下文是模型這一輪可參照的資料，並非另外一個不占空間的錄音倉庫。

Apriel Voice 保留文字與影像輸入，也能把工具結果放回同一段對話。對語音應用而言，這讓口頭要求有機會參照先前的文件或工具資訊，但仍要由應用把正確內容提供進來。

三十秒切段，不等於只能聽三十秒

官方要求十六 kHz 單聲道音訊，處理器會把較長錄音自動切成三十秒片段。切段是處理方式，較長錄音可以由多段組成，並與其餘對話一起使用上下文。

團隊表示，連續錄音約三十分鐘內觀察到良好表現，更長錄音可以輸入，但時間增加時品質可能下降，並建議長音訊使用思考模式。這是發布者測試觀察，本文沒有重跑不同長度的繁體中文錄音。

較長錄音也可能出現重複或失去連貫。若要整理會議，不能只確認最後有一份摘要，還應檢查前段決定和後段修正是否被正確連起來，因為遺漏前提可能改變整份結論。

模型卡提供一小時音訊的伺服器設定方向，但同時保留總上下文與記憶體條件。允許系統接收一小時，不等於已保證整段品質和三十分鐘相同。

語音和文件一起給，也要留意資料來源

假設使用者口頭說「照剛才那張圖的第二欄回答」，應用需要同時保留圖與這段語音，才有比較明確的指涉。這是依多模態上下文推導的用途，不是本刊已完成的操作示範。

如果那張圖根本沒有進入對話，模型能處理影像也不能補出缺少的欄位。整理輸入時，先對齊聲音所指的資料，再測推理能力，才能分辨問題出在理解還是資料根本未提供。

輸入範圍確定後，才有辦法比較整個服務的回應品質與等待時間。

1.91 秒與 65.51% 成功率，條件要怎麼保留？

官方數字比較的是特定英文語音系統，不是單獨權重每次都能交付的保證。模型卡的主要結果使用思考模式，並讓不同領域等權平均，而非按每個領域的案例數量加權。

在這個條件下，Apriel Voice 的 EVA-A 為五十一點二七、EVA-X 七十四點一三，τ-Voice 首次嘗試任務成功為百分之六十五點五一。前兩項分別描述服務準確與對話體驗，不能把三個成績都叫做任務完成率。

等待時間，是整個系統的結果

τ-Voice 平均回應一點九一秒，包含回答生成與外部語音合成。因為最後聲音由另一個服務產生，這個數字包含多個處理環節，實際等待仍要依自己的部署與輸入條件觀察。

官方比較中的兩階段與三階段系統，都使用 Cartesia Sonic 3.5 合成，原生聲音對聲音系統則使用自己的合成。閱讀跨系統比較時，要保留這個差異，不能假設每一列都接著相同服務。

如果自行部署換了合成器、伺服器或音訊長度，整體等待也可能改變。所以，想重現體驗就需要把前端收音、模型處理與回覆播放放在同一條工作鏈觀察。

逐字稿正確，還不等於工具任務成功

官方另列 LibriSpeech 的英文辨識詞錯誤率，較乾淨測試集為百分之二點二三，另一測試集為五點一五。這項指標越低越好，觀察的是辨識文字錯誤，並非最終工作是否完成。

例如助理可以把「查詢下午三點的紀錄」聽得很準，卻選錯日期或工具參數。反過來，有些口頭重複即使轉錄略有差異，仍可能不影響要求，兩者需要各自驗收。

因此，不能只用辨識成績推算整段服務的成功率。模型卡也提醒，多語言表現不平均，噪音與遠距離麥克風仍有挑戰，英文數字並未替台灣使用情境完成驗證。

理解成績之後，自行部署還要接上相同或可比較的服務元件。

本地執行要準備什麼，27B 為何不等於 27GB？

參數量描述模型大小，實際執行還需要權重、上下文和音訊處理的記憶體。把二十七 B 直接換成二十七 GB，會漏掉資料格式、執行方式和使用中的暫存空間。

官方提供標準與最佳化的 vLLM 伺服器範例。vLLM 是讓模型對外接受請求的執行工具，兩份範例使用四張 GPU，也就是適合大量平行計算的處理器。

最佳化兩倍，究竟比的是什麼？

團隊在四張 H100、各八十 GB 的條件下，量到最佳化設定的輸出詞元吞吐量約為基準兩倍。詞元是模型處理文字的單位，吞吐量描述一段時間能產生多少輸出，不等於每通語音延遲都直接減半。

這個比較也不是宣告四張卡是所有用途最低需求。它描述官方採用的部署與比較條件，沒有提供家用單卡最低規格，讀者不宜只看到開放權重就推定筆電可以直接執行。

長音訊還會增加編碼與暫存需求。同一台機器能載入權重，和它能同時接待多位使用者、保存較長對話，仍是不同負載，因此設備預算要對應預計工作量。

模型卡沒有固定官方 API 售價。API 是讓程式呼叫模型的介面，自行架設可以提供相容介面，但這不代表運算、外部合成或維運免費。

MIT 授權讓團隊能依條款使用模型檔案，外接服務則仍有各自條件。採用時要把這些元件分別確認，才能知道一段語音互動實際依賴哪些設備與服務。

硬體可跑只是開始，工具接得對才能完成真正的使用者要求。

延伸閱讀：Phonic-1 語音模型發表：來電者還在說就調工具，價格與延遲怎麼判斷？

工具呼叫能發出，為何還要檢查任務完成？

應用要執行工具並回傳結果，模型提出要求本身還不代表動作已完成。官方把工具參數、結果與最後工作驗收都列為需要檢查的部分。

假設團隊先做一個唯讀資料查詢：使用者口頭問某項產品的公開規格，助理選擇查詢工具，再把結果說回來。這是用來說明分工的假設流程，本文沒有替任何商家接入實際客服。

一個錯誤，可能沿著語音一路傳到最後

若第一步把型號聽錯，即使工具忠實查到另一個產品，也不算回答原本要求。若型號正確但工具傳回空結果，應用仍需保留查無資料的狀態，不能讓模型把空白當成已找到答案。

回覆前還要看工具結果是否支持文字結論，因為語音播放會把產生的內容直接念給使用者。聲音流暢只能改善呈現，不能替代原始資料與推論的一致性。

在這種有限流程中，團隊比較容易知道錯誤出在哪裡：收音與理解、選工具、參數、執行，或最後回答。若一開始混合許多工具，失敗時反而難以判斷哪個元件需要調整。

先前的話被修正時，要更新哪個依據？

假設使用者先說一個型號，接著改口成另一個，助理需要把後來的修正帶進工具參數。若逐字稿保留兩個型號，卻沒有辨識哪個才是最終要求，後面查詢即使順利，也可能回到已經被撤回的目標。

這個例子能把對話理解與工具執行接起來。檢查時不只聽最後一句回覆，也對照採用的型號和原始改口順序，才知道系統有沒有更新自己的工作目標。它是採用時可觀察的具體條件，並非本文測得的通過率。

對較長語音尤其如此。使用者可能在後面補充限制，要求只查某個地區或只比較指定版本。若應用只保留最早的一句，模型即使能理解長錄音，也無法替沒有傳入的修正完成對齊。先把完整要求提供進來，才能評估模型本身處理得如何。

因此，先挑一個能明確驗收的小流程，較容易知道新模型補上哪一段。

語音團隊先比較完整流程，再決定是否自架

我建議固定錄音、語言和工具任務，再把合成與回覆一起觀察。這是根據公開能力提出的採用方法，並非本刊的繁體中文效能測試。

有部署能力、也能控制工具流程的團隊，較能利用開放權重比較自己的條件。若只需要現成語音助理，則應先看整個產品的取得方式與支援範圍，避免把研究權重當成已包含全部功能的應用程式。

完整流程能在自己的條件下成立，開放權重才會變成可採用的選擇。

Apriel Voice 常見問題

可以直接生成聲音並邊聽邊說嗎？

權重輸出文字和工具呼叫，語音合成與輪流發言由應用處理。官方明確區分原生全雙工語音，因此不能只靠下載權重就認定整套互動已齊備。

三十分鐘是硬性錄音上限嗎？

那是官方觀察到良好表現的大約長度。更長音訊可支援，但仍受上下文、記憶體和品質變化影響，允許輸入並不等於同樣可靠。

英文 1.91 秒可以當成繁體中文承諾嗎？

不能。該數字來自指定英文評測及整套合成設定，多語言表現不平均，部署與硬體也會改變結果，需要以自己的工作條件觀察。

把能聽懂，接到能完成

Apriel Voice 的價值，在於把聲音放進可推理與使用工具的對話裡。真正的服務仍需要收音、執行、合成與完成確認共同成立，開放權重提供了其中一個可自行控制的核心。

先選一件具體工作，比較同樣錄音在整條流程裡是否正確完成，再決定要不要擴大部署。這比單看一個平均延遲，更能看出它是否適合自己的語音任務。

延伸閱讀：Rime Prism 語音模型發表：先檢查文字再說話，企業導入要看哪些條件？

歡迎免費訂閱 AI 郵報，持續追蹤語音模型、官方評測與部署條件。

資料來源

• ServiceNow AI：Apriel Voice 27B Preview 模型卡與部署說明。
• ServiceNow Research 官方發布與示範。