Ultravox V0 4

🚀 Ultravox模型卡片

Ultravox是一個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 - medium](https://huggingface.co/openai/whisper - medium)架構構建。

請訪問https://ultravox.ai查看GitHub倉庫和更多信息。

🚀 快速開始

你可以將該模型視為一個能夠“聽”並理解語音的大語言模型。因此，它可以用作語音代理，還能進行語音到語音的翻譯、語音音頻分析等。

要使用該模型，請嘗試以下代碼：

# pip install transformers peft librosa

import transformers
import numpy as np
import librosa

pipe = transformers.pipeline(model='fixie-ai/ultravox-v0_4', 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

• 多模態處理：可以同時處理語音和文本輸入。
• 未來規劃：計劃擴展詞表，支持生成語義和聲學音頻令牌，以實現語音輸出。

📦 安裝指南

pip install transformers peft librosa

💻 使用示例

基礎用法

# pip install transformers peft librosa

import transformers
import numpy as np
import librosa

pipe = transformers.pipeline(model='fixie-ai/ultravox-v0_4', 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)

📚 詳細文檔

模型詳情

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）。模型的輸入是一個帶有特殊偽令牌<|audio|>的文本提示，模型處理器會用從輸入音頻中提取的嵌入向量替換這個特殊令牌。以合併後的嵌入向量作為輸入，模型將像往常一樣生成輸出文本。

在Ultravox的未來版本中，我們計劃擴展詞表，以支持生成語義和聲學音頻令牌，然後將這些令牌輸入到聲碼器中以產生語音輸出。此版本的模型未進行偏好調整。

• 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

該模型使用預訓練的[Llama3.1 - 8B - Instruct](https://huggingface.co/meta - llama/Meta - Llama - 3.1 - 8B)架構以及[Whisper - medium](https://huggingface.co/openai/whisper - medium)的編碼器部分。

僅對多模態適配器進行訓練，而Whisper編碼器和Llama保持凍結狀態。

我們使用知識蒸餾損失，讓Ultravox嘗試匹配基於文本的Llama架構的對數幾率。

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”進行擴展。

訓練過程

監督式語音到音頻微調。更多信息，請查看[Ultravox倉庫中的訓練代碼](https://github.com/fixie - ai/ultravox/blob/main/ultravox/training/train.py)。

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Llama 3.1 8B架構和A100 - 40GB GPU，首次輸出令牌的時間（TTFT）約為150ms，每秒輸出令牌的速度約為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

🔧 技術細節

• 模型使用預訓練的[Llama3.1 - 8B - Instruct](https://huggingface.co/meta - llama/Meta - Llama - 3.1 - 8B)和[Whisper - medium](https://huggingface.co/openai/whisper - medium)架構。
• 僅對多模態適配器進行訓練，Whisper編碼器和Llama保持凍結。
• 使用知識蒸餾損失，讓模型嘗試匹配基於文本的Llama架構的對數幾率。

📄 許可證

本項目採用MIT許可證。