Ultravox V0 4

🚀 Ultravox模型卡片

Ultravox是一个多模态语音大语言模型（LLM），它基于预训练的[Llama3.1 - 8B - Instruct](https://huggingface.co/meta - llama/Meta - Llama - 3.1 - 8B)和[Whisper - medium](https://huggingface.co/openai/whisper - medium)架构构建。

请访问https://ultravox.ai查看GitHub仓库和更多信息。

🚀 快速开始

你可以将该模型视为一个能够“听”并理解语音的大语言模型。因此，它可以用作语音代理，还能进行语音到语音的翻译、语音音频分析等。

要使用该模型，请尝试以下代码：

# 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

• 多模态处理：可以同时处理语音和文本输入。
• 未来规划：计划扩展词表，支持生成语义和声学音频令牌，以实现语音输出。

📦 安装指南

pip install transformers peft librosa

💻 使用示例

基础用法

# 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)

📚 详细文档

模型详情

模型描述

Ultravox是一个多模态模型，它可以同时接受语音和文本作为输入（例如，文本系统提示和语音用户消息）。模型的输入是一个带有特殊伪令牌<|audio|>的文本提示，模型处理器会用从输入音频中提取的嵌入向量替换这个特殊令牌。以合并后的嵌入向量作为输入，模型将像往常一样生成输出文本。

在Ultravox的未来版本中，我们计划扩展词表，以支持生成语义和声学音频令牌，然后将这些令牌输入到声码器中以产生语音输出。此版本的模型未进行偏好调整。

• 开发者：Fixie.ai
• 许可证：MIT

模型来源

• 仓库：https://ultravox.ai
• 演示：请查看仓库

训练详情

该模型使用预训练的[Llama3.1 - 8B - Instruct](https://huggingface.co/meta - llama/Meta - Llama - 3.1 - 8B)架构以及[Whisper - medium](https://huggingface.co/openai/whisper - medium)的编码器部分。

仅对多模态适配器进行训练，而Whisper编码器和Llama保持冻结状态。

我们使用知识蒸馏损失，让Ultravox尝试匹配基于文本的Llama架构的对数几率。

训练数据

训练数据集是自动语音识别（ASR）数据集的混合，并通过添加由Llama 3.1 8B生成的“延续内容”进行扩展。

训练过程

监督式语音到音频微调。更多信息，请查看[Ultravox仓库中的训练代码](https://github.com/fixie - ai/ultravox/blob/main/ultravox/training/train.py)。

训练超参数

• 训练模式：BF16混合精度训练
• 使用的硬件：8x H100 GPU

速度、大小和时间

当前版本的Ultravox在处理音频内容时，使用Llama 3.1 8B架构和A100 - 40GB GPU，首次输出令牌的时间（TTFT）约为150ms，每秒输出令牌的速度约为50 - 100。

请查看TheFastest.ai的音频标签，了解每日基准测试以及与其他现有模型的比较。

评估

🔧 技术细节

• 模型使用预训练的[Llama3.1 - 8B - Instruct](https://huggingface.co/meta - llama/Meta - Llama - 3.1 - 8B)和[Whisper - medium](https://huggingface.co/openai/whisper - medium)架构。
• 仅对多模态适配器进行训练，Whisper编码器和Llama保持冻结。
• 使用知识蒸馏损失，让模型尝试匹配基于文本的Llama架构的对数几率。

📄 许可证

本项目采用MIT许可证。