Ultravox V0 3

🚀 Ultravox

Ultravoxは、事前学習されたLlama3.1-8B-InstructとWhisper-smallをバックボーンとする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。モデルの入力は、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導出された埋め込みで置き換えます。この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。

✨ 主な機能

• 音声とテキストの両方を入力として受け取り、出力テキストを生成できます。
• 将来的には、音声出力を生成する機能をサポートする予定です。

📦 インストール

モデルを使用するには、以下のコマンドで必要なライブラリをインストールします。

# pip install transformers peft librosa

import transformers
import numpy as np
import librosa

pipe = transformers.pipeline(model='fixie-ai/ultravox-v0_3', 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

モデル詳細

モデル説明

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。モデルの入力は、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導出された埋め込みで置き換えます。この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Ultravoxのリビジョンでは、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 8B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、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、音声コンテンツを使用して呼び出された場合、A100-40GB GPUを使用し、すべてLlama 3.1 8Bバックボーンを使用すると、最初のトークンまでの時間（TTFT）は約200msで、1秒あたりのトークン生成速度は約50-100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

このモデルはMITライセンスの下で提供されています。