U

Ultravox V0 5 Llama 3 1 8b

fixie-aiによって開発
UltravoxはLlama3.1-8B-Instructとwhisper-large-v3-turboを基に構築されたマルチモーダル音声大規模言語モデルで、音声とテキスト入力を同時に処理できます。
ダウンロード数 17.86k
リリース時間 : 2/5/2025

モデル概要

Ultravoxはマルチモーダルモデルで、音声とテキスト入力を同時に受け取り、音声エージェントや音声から音声への翻訳、音声分析などのタスクに使用できます。

モデル特徴

マルチモーダル入力
音声とテキスト入力を同時に処理でき、特殊な疑似トークン<|audio|>を使用して音声埋め込みベクトルとテキストを融合します。
音声理解能力
音声を聴取し理解する能力を備えており、音声エージェントとして使用できます。
知識蒸留トレーニング
知識蒸留損失関数を採用し、モデルがテキストベースのLlamaバックボーンネットワークの論理出力に可能な限り一致するようにしています。

モデル能力

音声理解
音声から音声への翻訳
音声分析
マルチモーダル入力処理

使用事例

音声エージェント
音声アシスタント
音声アシスタントとしてユーザーの質問に答える
音声翻訳
多言語音声翻訳
複数言語の音声から音声への翻訳をサポート
covost2データセットで12.99(英→アラビア語)から42.13(ロシア語→英語)のBLEUスコアを達成
AIbase
未来を切り開く、あなたのAIソリューション知識ベース
© 2025AIbase