Ultravox V0 4 Llama 3 1 70b

🚀 ウルトラボックス

ウルトラボックスは、事前学習済みのLlama3.1 - 70B - InstructとWhisper - mediumをバックボーンとするマルチモーダル音声LLMです。このモデルは、音声とテキストの両方を入力として扱うことができ、音声翻訳や音声分析などのタスクに利用できます。

🚀 クイックスタート

ウルトラボックスは、音声とテキストの両方を入力として受け取り、出力としてテキストを生成するマルチモーダルモデルです。このモデルは、音声を理解し、応答を生成することができます。

✨ 主な機能

• 音声とテキストの両方を入力として扱うことができます。
• 音声翻訳や音声分析などのタスクに利用できます。
• 将来的には、音声出力をサポートする予定です。

📦 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', 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)

💻 使用例

基本的な使用法

# pip install transformers peft librosa

import transformers
import numpy as np
import librosa

pipe = transformers.pipeline(model='fixie-ai/ultravox-v0_4', 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

ウルトラボックスは、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。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、モデルプロセッサはこのマジックトークンを入力音声から派生し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。

将来的なウルトラボックスのリビジョンでは、トークンボキャブラリを拡張して、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。このモデルのこのリビジョンには、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データセットの混合であり、Llama 3.1 70Bによって生成された「続き」を追加することで拡張されています。

トレーニング手順

教師付き音声から音声への微調整。詳細については、ウルトラボックス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

ウルトラボックスの現在のバージョンは、音声コンテンツで呼び出された場合、Llama 3.1 70Bバックボーンを使用し、4xH100 SXM GPUを使用すると、最初のトークンまでの時間（TTFT）が約400ms、1秒あたりのトークン生成速度が約50 - 100トークンです。

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

このプロジェクトはMITライセンスの下で公開されています。