在人工智能领域，多模态模型的融合正成为技术发展的新趋势。近日，科技巨头 NVIDIA 宣布推出了一款名为 Audex（全称 Nemotron-Labs-Audex-30B-A3B）的突破性模型，标志着音频处理与自然语言处理（NLP）的界限正在被进一步打破。
Audex 是 NVIDIA Nemotron-Labs 团队精心打磨的产物，它不仅仅是一个单一的音频处理工具，而是一个统一的多模态大语言模型（LLM）。与以往需要多个独立模型分别处理语音识别（ASR）、文本转语音（TTS）、翻译或音频生成不同，Audex 将这些功能全部集成在一个基于混合专家（MoE）架构的模型中。这意味着用户可以在同一个模型框架下，实现从语音到文本的精准转录、跨语言互译，以及高质量的语音合成，甚至还能进行语音指令的生成。
保留文本核心智能：技术突破的关键
Audex 最引人注目的技术亮点，在于它对模型原有能力的无损继承。该模型基于 NVIDIA 优秀的 Nemotron-Cascade-2 文本骨干网络构建，但在引入音频处理能力时，通过极小的回归调整，确保了模型在处理文本时的原有智能水平不受影响。
在多模态模型训练中，往往存在“顾此失彼”的难题：模型在处理图像或音频时，往往会牺牲对文本的理解能力。然而，Audex 证明了通过精妙的架构设计，音频能力的增强完全可以不稀释文本的逻辑推理能力。这种设计对于构建真正通用的智能助手至关重要，因为它意味着模型既能听懂复杂的语音指令，又能像传统 LLM 一样进行深度的文本推理和生成。
行业影响与应用场景
Audex 的发布将对语音交互领域产生深远影响。传统的语音助手往往存在“理解与生成割裂”的问题——听得懂但说不好，或者能生成文本却无法自然地转化为语音。Audex 的端到端特性解决了这一痛点，为开发者提供了一条更高效、更统一的开发路径。
从应用场景来看，Audex 具有广阔的落地前景。例如，在实时会议翻译场景中，它能够一边实时转录语音，一边生成高质量的翻译文本，甚至直接输出翻译后的语音；在内容创作领域，它可以作为强大的辅助工具，帮助创作者快速将文字脚本转化为带有情感色彩的配音；在智能客服系统中，它能提供更自然、更流畅的跨语言交互体验，打破语言障碍。
NVIDIA 通过此次发布，进一步巩固了其在 AI 基础设施和模型研发领域的领导地位。Audex 的开源（假设为开源或可商用）将为全球开发者提供一个强大的多模态基座，加速下一代智能语音交互产品的诞生。
信息来源：MarkTechPost，原文链接：https://www.marktechpost.com/2026/07/07/nvidia-releases-audex-nemotron-labs-audex-30b-a3b-a-unified-audio-text-llm-that-preserves-the-text-intelligence-of-its-backbone/
封面图片来源：Unsplash / 摄影师 Mariia Shalabaieva
