Ultravox V0 4 1 Llama 3 1 8b

🚀 Ultravox模型介紹

Ultravox是一個多模態語音大語言模型，它基於預訓練的[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)骨幹網絡構建。該模型能夠同時處理語音和文本輸入，具有廣泛的應用前景。更多信息請訪問GitHub倉庫。

📦 模型信息

📚 詳細文檔

✨ 模型描述

Ultravox是一個多模態模型，它可以同時接受語音和文本作為輸入（例如，文本系統提示和語音用戶消息）。模型的輸入是帶有特殊<|audio|>偽令牌的文本提示，模型處理器會用從輸入音頻中提取的嵌入替換這個特殊令牌。然後，模型將使用合併後的嵌入作為輸入，像往常一樣生成輸出文本。

在未來的版本中，我們計劃擴展令牌詞彙表，以支持生成語義和聲學音頻令牌，這些令牌可以被輸入到聲碼器中以產生語音輸出。此版本的模型尚未進行偏好調整。

• 開發者：Fixie.ai
• 許可證：MIT

🌐 模型來源

• 倉庫地址：https://ultravox.ai
• 演示地址：見倉庫

💻 使用示例

基礎用法

可以將該模型視為一個還能“聽”和理解語音的大語言模型。因此，它可以用作語音代理，也可用於語音到語音的翻譯、語音音頻分析等。

要使用該模型，可以嘗試以下代碼：

# 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)

🔧 技術細節

📈 訓練數據

訓練數據集是自動語音識別（ASR）數據集和語音翻譯數據集的混合，其中ASR數據集通過Llama 3.1 8B生成的後續內容進行了擴展，這在翻譯評估中帶來了適度的提升。

🛠️ 訓練過程

通過知識蒸餾進行有監督的語音指令微調。更多信息，請參閱Ultravox倉庫中的訓練代碼。

訓練超參數

• 訓練模式：BF16混合精度訓練
• 使用的硬件：8個H100 GPU

速度、大小和時間

當前版本的Ultravox在處理音頻內容時，使用Llama 3.1 8B骨幹網絡和A100 - 40GB GPU，首次輸出令牌的時間（TTFT）約為150ms，每秒輸出令牌的速率約為50 - 100。

請查看TheFastest.ai的音頻標籤，瞭解每日基準測試以及與其他現有模型的比較。

📊 評估結果

📄 許可證

本模型使用的許可證為MIT。