Ultravox V0 5 Llama 3 2 1b

🚀 Ultravox模型

Ultravox是一個多模態語音大語言模型，它基於預訓練的[Llama3.2 - 1B - Instruct](https://huggingface.co/meta - llama/Llama - 3.2 - 1B)和[whisper - large - v3 - turbo](https://huggingface.co/openai/whisper - large - v3 - turbo)構建。該模型可以同時處理語音和文本輸入，具有廣泛的應用前景，如語音代理、語音翻譯等。

🚀 快速開始

要使用該模型，可嘗試以下代碼：

# pip install transformers peft librosa

import transformers
import numpy as np
import librosa

pipe = transformers.pipeline(model='fixie-ai/ultravox-v0_5-llama-3_2-1b', 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：可以同時處理語音和文本輸入，例如文本系統提示和語音用戶消息。
• 廣泛應用：可作為語音代理，還能進行語音到語音的翻譯、語音音頻分析等。
• 未來擴展：計劃在未來版本中擴展詞表，支持生成語義和聲學音頻令牌，從而實現語音輸出。

📦 安裝指南

運行示例代碼前，需要安裝相關依賴：

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_5-llama-3_2-1b', 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，能夠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法令牌。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，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

• 訓練模式：BF16混合精度訓練
• 使用的硬件：8x H100 GPU

速度、大小、時間

可在TheFastest.ai的音頻標籤頁查看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[Llama3.2 - 1B - Instruct](https://huggingface.co/meta - llama/Meta - Llama - 3.2 - 1B)主幹以及[whisper - large - v3 - turbo](https://huggingface.co/openai/whisper - large - v3 - turbo)的編碼器部分。多模態適配器經過訓練，Whisper編碼器進行了微調，而Llama模型保持凍結。使用知識蒸餾損失，Ultravox試圖匹配基於文本的Llama主幹的對數概率。

📄 許可證

本項目採用MIT許可證。