A.X-K2-Raon-Speech-21B-A3B

A.X K2 Raon-Speech to dwujęzyczny model językowy mowy angielsko-koreańskiej z około 21.2B całkowitymi parametrami i 3.5B aktywnymi parametrami. Zbudowany na bazie tekstowej A.X K2 Light 20B-A3B firmy SK Telecom, integruje kodera mowy AuT oraz kodera audio w stylu Mimi, niezależnie wytrenowanych przez KRAFTON AI, łącząc rozumienie mowy i generację w jednym modelu multimodalnym. Jest trenowany z użyciem przepisu Raon-Speech-9B, otwartego modelu językowego mowy KRAFTON.

• Model Językowy Mowy End-to-End: 21.2B-parametrowy (około 3.5B

aktywnych) model multimodalny zbudowany na bazie A.X K2 Light 20B-A3B mixture-of-experts.

• Niezależnie Wytrenowane Moduły Mowy: Koder mowy AuT

(około 317M parametrów) oraz koder audio w stylu Mimi (około 96M parametrów), trenowane na starannie dobranych danych z wewnętrzną infrastrukturą.

• Wsparcie Dwujęzyczne: Pierwsze w Korei i trzecie w Anglii w agregatowym wyniku

wśród publicznie dostępnych modeli językowych mowy na poziomie 30B.

• Możliwości Wielozadaniowe: STT, TTS, SpeechQA, SpokenQA oraz czat multimodalny

w trybie turowym w jednym zintegrowanym modelu.

• Świadomość Paralingwistyczna: Wykorzystuje emocje, intonację i inne

informacje zawarte w głosie użytkownika do generowania naturalnych odpowiedzi mówionych.

• Kondycjonowanie Głosu Mówcy: TTS z opcjonalnym odniesieniem audio mówcy

poprzez osadzenia ECAPA.

• Kontynuacja TTS: Generuje mowę, która naturalnie kontynuuje z

odniesienia audio z kontynuacją opartą na wypełnieniu dla płynnej prozodii.

Komponent	Konfiguracja
Podstawa tekstowa	A.X K2 Light 20B-A3B MoE, 48 warstwy, 2,048 rozmiar ukryty
Eksperci	128 kierowani eksperci, top-8 kierowanie
Koder mowy	Niezależnie wytrenowany koder AuT oparty na architekturze Qwen3-ASR, 24 warstwy, około 317M parametrów
Koder mowy	Niezależnie wytrenowany koder w stylu Mimi, około 96M parametrów
Konfiguracja kodeka	32 kwantyzatory, 2,048-entry książki kodowe, 24 kHz, 12.5 klatki na sekundę
Interfejs kodu SpeechLM	8 grupy kodów wejściowych i 16 generowane grupy kodów wyjściowych
Mówca	Mówca oparty na Qwen3, 4 warstwy, 2,048 rozmiar ukryty
Okno kontekstowe podstawy tekstowej	Do 131,072 tokenów

Wszystkie komponenty dla głównych ścieżek rozumienia mowy i bezpośredniego TTS są

zawarte w punkcie kontrolnym. TTS z kondycjonowaniem głosu i kontynuacją dodatkowo wykorzystuje zamrożony koder mówcy ECAPA z SpeechBrain, pobierany automatycznie przy pierwszym użyciu. Ocena obejmowała sześć obszarów zadań — rozpoznawanie mowy, syntezę mowy, rozumienie mowy, odpowiadanie na pytania mówione, odpowiadanie na pytania tekstowe oraz wywoływanie narzędzi — z użyciem benchmarków 46 (24 Koreański, 22 Angielski), w tym LibriSpeech, KsponSpeech, VoiceBench, KVoiceBench, MMAU, KMMAU, API-Bank oraz FunctionChat-Bench. Każdy wynik jest normalizowany do zakresu 0–1 i agregowany na język; zobacz blog technologiczny KRAFTON AI w celu uzyskania pełnej metodologii i wyników. Wśród publicznie dostępnych modeli językowych mowy na poziomie 30B, A.X K2 Raon-Speech zajął pierwsze miejsce w koreańskim agregatowym wyniku (0.72) i trzecie miejsce w angielskim agregatowym wyniku (0.75). Wydajność w każdej kategorii, normalizowana od zera do najwyższego wyniku w każdej kategorii. Modele porównawcze to najlepsi angielscy wykonawcy poniżej, którzy wspierają zarówno angielski, jak i koreański.

Ranga Koreańska	Model	Koreański	Angielski	Ranga Angielska
1	A.X K2 Raon-Speech	0.72	0.75	3
2	Raon-Speech	0.70	0.79	1
3	Qwen3-Omni	0.65	0.78	2
4	HyperCLOVA X 8B Omni	0.60	0.68	8
5	MOSS-Audio	0.58	0.62	13
6	Qwen2.5-Omni	0.55	0.73	5
7	Fun-Audio-Chat	0.53	0.69	7
8	Step-Audio 2 mini	0.32	0.67	10
9	Interactive-Omni	0.27	0.71	6
10	Ming-Lite-Omni v1.5	0.21	0.68	8
10	AF-Next	0.21	0.65	11
12	COVO-Audio	0.18	0.41	15
—	MiniCPM-o 4.5	—	0.74	4
—	Kimi-Audio	—	0.65	11
—	Audio Flamingo 3	—	0.60	14