Ultravox V0 5 Llama 3 3 70b Tempfix

🚀 ウルトラボックス (Ultravox)

ウルトラボックスは、事前学習された[Llama3.3 - 70B - Instruct](https://huggingface.co/meta - llama/Llama - 3.3 - 70B - Instruct)と[whisper - large - v3 - turbo](https://huggingface.co/openai/whisper - large - v3 - turbo)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

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。以下の手順でモデルを使用できます。

# pip install transformers peft librosa

import transformers
import numpy as np
import librosa

pipe = transformers.pipeline(model='fixie-ai/ultravox-v0_5-llama-3_3-70b', 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)

✨ 主な機能

ウルトラボックスは、音声を聞き、理解することができるLLMと考えることができます。音声エージェントとして使用したり、音声翻訳や音声分析などにも利用できます。

📚 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、テキストシステムプロンプトと音声ユーザーメッセージなど、テキストと音声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。

将来のバージョンでは、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し、それをボコーダーに供給して音声出力を生成する予定です。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、Llama 3.1 8Bによって生成された続きで拡張されたデータ、および音声翻訳データセットの混合です。これにより、翻訳評価で若干の改善が見られます。

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です。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

現在のウルトラボックスのバージョンは、音声コンテンツを使用して呼び出されると、A100 - 40GB GPUを使用した場合、最初のトークンまでの時間 (TTFT) は約150msで、1秒あたりのトークン生成速度は約50 - 100です。すべてLlama 3.3 70B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。