NVIDIA Audex 把"听懂+听懂+说出"压进一个 30B MoE：单 Transformer 解码器统一文本与音频推理

NVIDIA 7 月 6 日放出 Nemotron-Labs-Audex-30B-A3B（arXiv 2607.05196），把语音识别、翻译、TTS、音频生成、语音到语音对话压进 30B MoE 单 Transformer 解码器；通过扩展离散音频词表 + 投影到文本嵌入空间 + 多阶段 SFT → Cascade RL → 多领域 on-policy 蒸馏（157.4B 音频 + 320.5B 文本 token），六项音频任务达到 SOTA 且文本推理几乎零回归，沿用 vLLM/transformers 5.x 推理栈，开源但走 NVIDIA OneWay 非商用 license。