Ultravox V0 4 1 Mistral Nemo

🚀 Ultravoxのモデルカード

Ultravoxは、事前学習されたMistral-Nemo-Instruct-2407とwhisper-large-v3-turboをバックボーンとして構築されたマルチモーダル音声LLMです。

GitHubリポジトリや詳細情報については、https://ultravox.ai を参照してください。

🚀 クイックスタート

Ultravoxは、音声とテキストの両方を入力として受け取ることができるマルチモーダルモデルです。このモデルは、音声エージェントや音声翻訳などの用途に使用できます。

✨ 主な機能

• 音声とテキストの両方を入力として受け取ることができるマルチモーダルモデル
• 音声エージェントや音声翻訳などの用途に使用できる
• 将来的には、音声出力をサポートする予定

📦 インストール

# pip install transformers peft librosa

import transformers
import numpy as np
import librosa

pipe = transformers.pipeline(model='fixie-ai/ultravox-v0_4_1-mistral-nemo', trust_remote_code=True)

path = "<path-to-input-audio>"  # TODO: pass the audio here
audio, sr = librosa.load(path, sr=16000)


turns = [
  {
    "role": "system",
    "content": "You are a friendly and helpful character. You love to answer questions for people."
  },
]
pipe({'audio': audio, 'turns': turns, 'sampling_rate': sr}, max_new_tokens=30)

📚 ドキュメント

モデルの詳細

モデルの説明

Ultravoxは、音声とテキストの両方を入力として受け取ることができるマルチモーダルモデルです（例えば、テキストのシステムプロンプトと音声のユーザーメッセージ）。 モデルへの入力は、特殊な<|audio|>疑似トークンを含むテキストプロンプトとして与えられ、モデルプロセッサーはこのマジックトークンを入力音声から導出された埋め込みで置き換えます。 マージされた埋め込みを入力として、モデルは通常通り出力テキストを生成します。

将来のバージョンのUltravoxでは、トークン語彙を拡張して、意味的および音響的な音声トークンの生成をサポートする予定です。これらのトークンは、ボコーダーに供給されて音声出力を生成することができます。 このバージョンのモデルには、嗜好調整は適用されていません。

• 開発者: Fixie.ai
• ライセンス: MIT

モデルのソース

• リポジトリ: https://ultravox.ai
• デモ: リポジトリを参照

トレーニングの詳細

トレーニングデータ

トレーニングデータセットは、ASRデータセットと、Mistral Nemoによって生成された続きで拡張された音声翻訳データセットの混合です。これにより、翻訳評価でわずかな改善が見られます。

トレーニング手順

知識蒸留を通じた教師付き音声命令微調整。詳細については、Ultravoxリポジトリのトレーニングコードを参照してください。

トレーニングハイパーパラメータ

• トレーニング方式: BF16混合精度トレーニング
• 使用ハードウェア: 8x H100 GPU

速度、サイズ、時間

現在のバージョンのUltravoxは、音声コンテンツを入力として使用する場合、A100-40GB GPUを使用して、最初のトークンまでの時間（TTFT）が約150ms、1秒あたりのトークン生成速度が約50 - 100です。これはすべてMistral Nemoバックボーンを使用しています。

TheFastest.aiの音声タブで、毎日のベンチマークと他の既存モデルとの比較を確認できます。

評価

📄 ライセンス

このモデルはMITライセンスの下で提供されています。