11 月 10 日提交的 Walrus 技术报告介绍了统一语音与音频模型，覆盖语音识别、语音翻译、语音合成、情绪识别和音频描述。模型参数量为 80 亿，采用从 Gemma 4 初始化的解码器骨干。
团队把数据训练分成三个阶段，从广泛多语言样本逐步加入多人交谈、语码切换和领域数据，利用任务与数据集权重减少能力遗忘。报告称，训练涉及六亿多条样本、二十多类任务和一百种语言。
作者将主要贡献归于数据组织方案，并报告多项测试超过同规模模型。成绩来自指定基准，不等同于每种语言都达到相同质量；技术报告也不意味着已推出面向公众的商业服务。
来源：arXiv 原文。
图片来源：论文作者 / arXiv。