Rapporto Tecnico Covo-Audio
Covo-Audio Technical Report
February 10, 2026
Autori: Wenfu Wang, Chenxing Li, Liqiang Zhang, Yiyang Zhao, Yuxiang Zou, Hanzhao Li, Mingyu Cui, Hao Zhang, Kun Wei, Le Xu, Zikang Huang, Jiajun Xu, Jiliang Hu, Xiang He, Zeyu Xie, Jiawen Kang, Youjun Chen, Meng Yu, Dong Yu, Rilin Chen, Linlin Di, Shulin Feng, Na Hu, Yang Liu, Bang Wang, Shan Yang
cs.AI
Abstract
In questo lavoro presentiamo Covo-Audio, un LALM end-to-end da 7 miliardi di parametri che elabora direttamente input audio continui e genera output audio all'interno di un'unica architettura unificata. Grazie a un pre-addestramento su larga scala curato e a un post-addestramento mirato, Covo-Audio raggiunge prestazioni allo stato dell'arte o competitive tra i modelli di scala comparabile in un'ampia gamma di compiti, inclusi la modellazione speech-text, il dialogo parlato, la comprensione del parlato, la comprensione audio e l'interazione vocale full-duplex. Valutazioni estensive dimostrano che il modello base pre-addestrato mostra forti capacità di comprensione speech-text e di ragionamento semantico su molteplici benchmark, superando modelli open-source rappresentativi di scala simile. Inoltre, Covo-Audio-Chat, la variante orientata al dialogo, dimostra forti abilità conversazionali parlate, includendo comprensione, ragionamento contestuale, rispetto delle istruzioni e generazione di risposte contestualmente appropriate ed empatiche, validandone l'applicabilità a scenari reali di assistenti conversazionali. Covo-Audio-Chat-FD, il modello evoluto full-duplex, raggiunge prestazioni sostanzialmente superiori sia nelle capacità di dialogo parlato che nei comportamenti di interazione full-duplex, dimostrando la sua competenza nella robustezza pratica. Per mitigare l'alto costo di distribuzione dei LALM end-to-end per sistemi conversazionali naturali, proponiamo una strategia di disaccoppiamento intelligenza-altoparlante che separa l'intelligenza dialogica dal rendering vocale, consentendo una personalizzazione vocale flessibile con dati text-to-speech (TTS) minimi preservando le prestazioni dialogiche. Nel complesso, i nostri risultati evidenziano il forte potenziale dei modelli su scala 7B nell'integrare una sofisticata intelligenza audio con un ragionamento semantico di alto livello e suggeriscono un percorso scalabile verso LALM più capaci e versatili.
English
In this work, we present Covo-Audio, a 7B-parameter end-to-end LALM that directly processes continuous audio inputs and generates audio outputs within a single unified architecture. Through large-scale curated pretraining and targeted post-training, Covo-Audio achieves state-of-the-art or competitive performance among models of comparable scale across a broad spectrum of tasks, including speech-text modeling, spoken dialogue, speech understanding, audio understanding, and full-duplex voice interaction. Extensive evaluations demonstrate that the pretrained foundation model exhibits strong speech-text comprehension and semantic reasoning capabilities on multiple benchmarks, outperforming representative open-source models of comparable scale. Furthermore, Covo-Audio-Chat, the dialogue-oriented variant, demonstrates strong spoken conversational abilities, including understanding, contextual reasoning, instruction following, and generating contextually appropriate and empathetic responses, validating its applicability to real-world conversational assistant scenarios. Covo-Audio-Chat-FD, the evolved full-duplex model, achieves substantially superior performance on both spoken dialogue capabilities and full-duplex interaction behaviors, demonstrating its competence in practical robustness. To mitigate the high cost of deploying end-to-end LALMs for natural conversational systems, we propose an intelligence-speaker decoupling strategy that separates dialogue intelligence from voice rendering, enabling flexible voice customization with minimal text-to-speech (TTS) data while preserving dialogue performance. Overall, our results highlight the strong potential of 7B-scale models to integrate sophisticated audio intelligence with high-level semantic reasoning, and suggest a scalable path toward more capable and versatile LALMs.