和语音助手聊天时，背后常要串起听写、理解和合成几套系统。英伟达的 Nemotron-Labs-Audex-30B-A3B 想把这些能力收进一个模型：它既能接收和生成文字，也能处理和生成语音及一般音频，减少多套模型接力的需要。
Audex 建在 30B 参数的 Nemotron-Cascade-2 底座上，但采用 MoE（Mixture of Experts，混合专家）架构——像按问题叫来少数合适的专家，每次只激活 3B 参数，因此总容量较大，单次计算量却更接近小模型。它还扩充了离散音频 token，也就是把连续声波变成类似文字的有限符号；音频编码器负责“听”，相应解码链路负责“说”。
据英伟达模型卡自述，Audex 可完成音频理解、语音识别与翻译、文字转语音、音频生成和语音到语音生成，同时对原有推理、知识、长上下文和智能体能力只有轻微或没有退步，并支持最长 100 万 token 上下文。不过材料未提供具体基准数字，实际效果和部署成本仍需更多测试验证。