なぜ音声AIは「思考」が苦手なのか？テキストの呪縛を解く「Step-Audio-R1」

テキストや画像AIでは「長く考えるほど賢くなる」のが常識ですが、音声AI界隈では逆に性能が下がる「逆スケーリング現象」が起きていました。その謎を解明し、解決した技術レポートの解説です。

【主なトピック】
• 思考の病理: 従来の音声AIは音そのものではなく、「テキスト（書き起こし）」を代理にして思考していたため、推論精度に限界があった。
• 解決策 MGRD: 思考をテキストベースから音響特徴量に接地させるフレームワーク「Modality-Grounded Reasoning Distillation」を開発。
• SOTAの達成: 開発されたモデル「Step-Audio-R1」は、Gemini 2.5 Proを上回り、Gemini 3 Proに匹敵する性能を記録。
• 思考崩壊の回避: 強化学習における「フォーマット報酬」の重要性と、学習データの「質（適度な難易度）」がモデルの進化に不可欠であることを実証。

「私は音が聞こえません」というハルシネーション（自己認識エラー）をDPOで克服し、音声AIが真に「思考」を手に入れたブレイクスルーの全貌です。