音频智能涉及对音频和语音的理解、推理与生成。在这项工作中，我们推出了 Nemotron-Labs-Audex-30B-A3B（Audex），这是一个基于 Nemotron-Cascade-2-30B-A3B（一个强大的纯文本 MoE 大语言模型）构建的统一音频-文本大语言模型。Audex 采用简洁的统一设计，仅使用单个 Transformer 解码器：音频输入被编码并投影到文本嵌入空间，而文本 token 和量化后的音频输出 token 在生成过程中被统一处理。这种架构实现了强大的音频-文本融合、无缝的多模态生成，以及与标准大语言模型训练和推理基础设施的兼容性。在训练方面，我们精心整理了包含 1574 亿个音频 token 和 3205 亿个文本 token 的音频-文本数据集。我们对这些数据集进行了多阶段监督训练，随后进行了纯文本 Cascade RL 和多领域在线策略蒸馏。Audex 在音频理解、语音识别与翻译、文本转语音、音频生成以及语音到语音生成方面达到了业界领先水平，同时在其纯文本大语言模型骨干网络的基础上，以极小或无性能回退的方式，保留了非常出色的推理、对齐、知识、长上下文和智能体能力。我们发布了模型检查点，以促进开放研究。