Ultravox V0 6 Qwen 3 32b

🚀 Ultravox模型卡片

Ultravox是一個多模態語音大語言模型（LLM），它圍繞預訓練大語言模型（如Llama、Gemma、Qwen等）和語音編碼器（whisper-large-v3-turbo）構建。

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

🚀 快速開始

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，還可用於語音到語音的翻譯、語音音頻分析等。

# pip install transformers peft librosa

import transformers
import numpy as np
import librosa

pipe = transformers.pipeline(model='fixie-ai/ultravox-v0_6-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)

✨ 主要特性

• 多模態輸入：可以同時處理語音和文本輸入。
• 支持多種語言：支持包括阿拉伯語、白俄羅斯語、保加利亞語等在內的多種語言。
• 噪聲魯棒性：在v0.6系列中，模型在噪聲數據集上進行了訓練，提高了噪聲魯棒性。
• 未來規劃：計劃擴展詞表，支持生成語義和聲學音頻令牌，以產生語音輸出。

📦 安裝指南

文檔未提及具體安裝步驟，可參考模型倉庫獲取安裝信息。

💻 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_6-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)

📚 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 <|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。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v0.6系列中，Ultravox模型在擴展的印地語語音數據上進行了訓練，這使得模型在印地語上的語音理解性能顯著提高，但在其他語言上有適度的性能下降。此外，v0.6模型還在噪聲數據集上進行了訓練，以提高噪聲魯棒性，並在輸入音頻過於嘈雜或不包含清晰語音時輸出特殊字符串 ((noise))。

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

訓練數據

訓練數據集是自動語音識別（ASR）數據集、由Llama 3.1 8B生成的擴展數據、語音翻譯數據集和噪聲數據集的混合。

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，使用基於文本的大語言模型（Llama、Gemma或Qwen）作為骨幹，在A100-40GB GPU上的首次輸出令牌時間（TTFT）約為150毫秒，每秒輸出令牌率約為50 - 100。

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

評估

評估在covost2（語音翻譯，以BLEU衡量）、fleurs和ultravox_calls（語音識別，以字錯誤率WER衡量）、big bench audio（音頻推理，以準確率衡量）以及musan和ultravox_unintelligible（噪聲/難以理解的語音檢測，以召回率衡量）上進行。

🔧 技術細節

Ultravox模型圍繞預訓練大語言模型（如Llama、Gemma、Qwen等）和語音編碼器（whisper-large-v3-turbo）構建。多模態適配器進行訓練，Whisper編碼器進行微調，而大語言模型保持凍結。使用知識蒸餾損失，使Ultravox嘗試匹配基於文本的大語言模型骨幹的對數幾率。

📄 許可證

本模型使用的許可證為MIT。