Ultravox V0 4 1 Llama 3 1 8b

🚀 Ultravox模型介绍

Ultravox是一个多模态语音大语言模型，它基于预训练的[Llama3.1 - 8B - Instruct](https://huggingface.co/meta - llama/Meta - Llama - 3.1 - 8B)和[whisper - large - v3 - turbo](https://huggingface.co/openai/whisper - large - v3 - turbo)骨干网络构建。该模型能够同时处理语音和文本输入，具有广泛的应用前景。更多信息请访问GitHub仓库。

📦 模型信息

📚 详细文档

✨ 模型描述

Ultravox是一个多模态模型，它可以同时接受语音和文本作为输入（例如，文本系统提示和语音用户消息）。模型的输入是带有特殊<|audio|>伪令牌的文本提示，模型处理器会用从输入音频中提取的嵌入替换这个特殊令牌。然后，模型将使用合并后的嵌入作为输入，像往常一样生成输出文本。

在未来的版本中，我们计划扩展令牌词汇表，以支持生成语义和声学音频令牌，这些令牌可以被输入到声码器中以产生语音输出。此版本的模型尚未进行偏好调整。

• 开发者：Fixie.ai
• 许可证：MIT

🌐 模型来源

• 仓库地址：https://ultravox.ai
• 演示地址：见仓库

💻 使用示例

基础用法

可以将该模型视为一个还能“听”和理解语音的大语言模型。因此，它可以用作语音代理，也可用于语音到语音的翻译、语音音频分析等。

要使用该模型，可以尝试以下代码：

# pip install transformers peft librosa

import transformers
import numpy as np
import librosa

pipe = transformers.pipeline(model='fixie-ai/ultravox-v0_4_1-llama-3_1-8b', 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)

🔧 技术细节

📈 训练数据

训练数据集是自动语音识别（ASR）数据集和语音翻译数据集的混合，其中ASR数据集通过Llama 3.1 8B生成的后续内容进行了扩展，这在翻译评估中带来了适度的提升。

🛠️ 训练过程

通过知识蒸馏进行有监督的语音指令微调。更多信息，请参阅Ultravox仓库中的训练代码。

训练超参数

• 训练模式：BF16混合精度训练
• 使用的硬件：8个H100 GPU

速度、大小和时间

当前版本的Ultravox在处理音频内容时，使用Llama 3.1 8B骨干网络和A100 - 40GB GPU，首次输出令牌的时间（TTFT）约为150ms，每秒输出令牌的速率约为50 - 100。

请查看TheFastest.ai的音频标签，了解每日基准测试以及与其他现有模型的比较。

📊 评估结果

📄 许可证

本模型使用的许可证为MIT。