Ultravox V0 3

🚀 Ultravox模型卡片

Ultravox是一款多模態語音大語言模型（LLM），它基於預訓練的[Llama3.1 - 8B - Instruct](https://huggingface.co/meta - llama/Meta - Llama - 3.1 - 8B)和[Whisper - small](https://huggingface.co/openai/whisper - small)主幹構建。有關GitHub倉庫和更多信息，請訪問https://ultravox.ai 。

🚀 快速開始

Ultravox可作為一個能同時處理語音和文本輸入的多模態模型使用，例如可以接收文本系統提示和語音用戶消息。你可以按照以下步驟使用該模型：

# 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)

✨ 主要特性

• 多模態輸入：能夠同時處理語音和文本輸入，例如接收文本系統提示和語音用戶消息。
• 靈活的輸入方式：通過特殊的 <|audio|> 偽標記將音頻嵌入到文本提示中。
• 未來規劃：計劃擴展標記詞彙表，支持生成語義和聲學音頻標記，以實現語音輸出。

📚 詳細文檔

模型詳情

模型描述

Ultravox是一個多模態模型，可以同時將語音和文本作為輸入（例如，文本系統提示和語音用戶消息）。模型的輸入是一個帶有特殊 <|audio|> 偽標記的文本提示，模型處理器會用從輸入音頻派生的嵌入替換這個特殊標記。以合併後的嵌入作為輸入，模型將像往常一樣生成輸出文本。

在Ultravox的未來版本中，我們計劃擴展標記詞彙表，以支持生成語義和聲學音頻標記，然後將這些標記輸入到聲碼器中以產生語音輸出。此版本的模型尚未應用偏好調整。

• 開發者：Fixie.ai
• 許可證：MIT

模型來源

• 倉庫：https://ultravox.ai
• 演示：請查看倉庫

訓練詳情

訓練數據

訓練數據集是自動語音識別（ASR）數據集的混合，並通過添加由Llama 3.1 8B生成的“延續內容”進行了擴展。

訓練過程

監督式語音到音頻微調。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：8x 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A100 - 40GB GPU和Llama 3.1 8B主幹，首次輸出標記的時間（TTFT）約為200ms，每秒輸出標記率約為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

📄 許可證

本模型使用的許可證為MIT許可證。