Ultravox V0 5 Llama 3 3 70b

🚀 Ultravox模型卡

Ultravox是一個多模態語音大語言模型（LLM），它圍繞預訓練的[Llama3.3 - 70B - Instruct](https://huggingface.co/meta - llama/Llama - 3.3 - 70B - Instruct)和[whisper - large - v3 - turbo](https://huggingface.co/openai/whisper - large - v3 - turbo)主幹構建。它能夠同時處理語音和文本輸入，在語音交互和翻譯等領域具有廣泛的應用前景。

更多信息和GitHub倉庫請訪問：https://ultravox.ai

🚀 快速開始

可以將該模型視為一個能夠“聽”和理解語音的大語言模型。因此，它可以用作語音代理，還可以進行語音到語音的翻譯、對語音音頻進行分析等。

使用該模型，可參考以下代碼：

# pip install transformers peft librosa

import transformers
import numpy as np
import librosa

pipe = transformers.pipeline(model='fixie-ai/ultravox-v0_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)

✨ 主要特性

• 多模態輸入：能夠同時處理語音和文本輸入，例如可以接受文本系統提示和語音用戶消息。
• 未來擴展規劃：計劃在未來版本中擴展詞表，以支持生成語義和聲學音頻令牌，進而通過聲碼器產生語音輸出。

📚 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派生的嵌入替換這個魔術令牌。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，計劃擴展詞表以支持生成語義和聲學音頻令牌，然後將其輸入到聲碼器中以產生語音輸出。此版本的模型未應用偏好調整。

• 開發者：Fixie.ai
• 許可證：MIT

模型來源

• 倉庫：https://ultravox.ai
• 演示：見倉庫

訓練詳情

訓練數據

訓練數據集是自動語音識別（ASR）數據集的混合體，擴展了由Llama 3.1 8B生成的延續內容，以及語音翻譯數據集，這在翻譯評估中帶來了適度的改進。

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

• 訓練機制：BF16混合精度訓練
• 使用的硬件：8x H100 GPU

速度、大小、時間

當前版本的Ultravox在處理音頻內容時，使用Llama 3.3 70B主幹和A100 - 40GB GPU時，首次生成令牌的時間（TTFT）約為150ms，每秒生成令牌的速率約為50 - 100。

請查看TheFastest.ai的音頻標籤，以獲取每日基準測試和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。

補充信息

支持語言

• ar
• be
• bg
• bn
• cs
• cy
• da
• de
• el
• en
• es
• et
• fa
• fi
• fr
• gl
• hi
• hu
• it
• ja
• ka
• lt
• lv
• mk
• mr
• nl
• pl
• pt
• ro
• ru
• sk
• sl
• sr
• sv
• sw
• ta
• th
• tr
• uk
• ur
• vi
• zh

庫名稱

transformers

評估指標

• bleu

任務標籤

audio - text - to - text