Ultravox V0 5 Llama 3 2 1b

🚀 Ultravox模型

Ultravox是一个多模态语音大语言模型，它基于预训练的[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)构建。该模型可以同时处理语音和文本输入，具有广泛的应用前景，如语音代理、语音翻译等。

🚀 快速开始

要使用该模型，可尝试以下代码：

# pip install transformers peft librosa

import transformers
import numpy as np
import librosa

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

• 多模态输入：可以同时处理语音和文本输入，例如文本系统提示和语音用户消息。
• 广泛应用：可作为语音代理，还能进行语音到语音的翻译、语音音频分析等。
• 未来扩展：计划在未来版本中扩展词表，支持生成语义和声学音频令牌，从而实现语音输出。

📦 安装指南

运行示例代码前，需要安装相关依赖：

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_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)

📚 详细文档

模型详情

模型描述

Ultravox是一个多模态模型，能够将语音和文本作为输入（例如，文本系统提示和语音用户消息）。模型的输入是带有特殊 <|audio|> 伪令牌的文本提示，模型处理器会用从输入音频派生的嵌入替换这个魔法令牌。以合并后的嵌入作为输入，模型将像往常一样生成输出文本。

在Ultravox的未来版本中，计划扩展词表，以支持生成语义和声学音频令牌，然后将其输入到声码器中以产生语音输出。此版本的模型未应用偏好调整。

• 开发者：Fixie.ai
• 许可证：MIT

模型来源

• 仓库：https://ultravox.ai
• 演示：见仓库

训练详情

训练数据

训练数据集是自动语音识别（ASR）数据集的混合，扩展了由Llama 3.1 8B生成的延续内容，以及语音翻译数据集，这在翻译评估中带来了适度的改进。

训练过程

通过知识蒸馏进行有监督的语音指令微调。更多信息，请参阅Ultravox仓库中的训练代码。

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、时间

可在TheFastest.ai的音频标签页查看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[Llama3.2 - 1B - Instruct](https://huggingface.co/meta - llama/Meta - Llama - 3.2 - 1B)主干以及[whisper - large - v3 - turbo](https://huggingface.co/openai/whisper - large - v3 - turbo)的编码器部分。多模态适配器经过训练，Whisper编码器进行了微调，而Llama模型保持冻结。使用知识蒸馏损失，Ultravox试图匹配基于文本的Llama主干的对数概率。

📄 许可证

本项目采用MIT许可证。