Nvidiaは、Nemotron-Cascade-2-30B-A3Bテキスト専用MoEバックボーン上に構築された統合オーディオ・テキスト大規模言語モデルであるNemotron-Labs-Audex-30B-A3Bをリリースした。このモデルは、入力用のオーディオエンコーダと出力用の離散オーディオトークンを追加することで元のアーキテクチャを拡張し、音声認識、翻訳、テキストから音声への変換、およびオーディオ生成の機能を実現する。

  • テキスト専用版の後継者が持つ推論、アライメント、知識、長期コンテキスト、エージェント機能を、ほぼまたは全く性能低下なく維持している。
  • 1Mトークンのコンテキスト長をサポートし、「思考」モードと「指示」モード（非思考）の両方で動作する。
  • より小型のNemotron-Labs-Audex-2Bバリアントも利用可能である。

このリリースは、基盤となるCascadeモデルの強力なパフォーマンス特性を維持しつつ、マルチモーダルオーディオ・テキストタスクに対する統合ソリューションを提供する。