语言:

• 阿拉伯语
• 德语
• 英语
• 西班牙语
• 法语
• 印地语
• 意大利语
• 日语
• 荷兰语
• 葡萄牙语
• 俄语
• 瑞典语
• 土耳其语
• 乌克兰语
• 中文

许可证: MIT 库名称: transformers 数据集:

• fixie-ai/librispeech_asr
• fixie-ai/common_voice_17_0
• fixie-ai/peoples_speech
• fixie-ai/gigaspeech
• fixie-ai/multilingual_librispeech
• fixie-ai/wenetspeech
• fixie-ai/covost2 评估指标:
• bleu 流水线标签: 音频-文本到文本

Ultravox模型卡

Ultravox是一个基于预训练模型Llama3.3-70B-Instruct和whisper-large-v3-turbo构建的多模态语音大语言模型。

更多信息请访问GitHub仓库: https://ultravox.ai

模型详情

模型描述

Ultravox是一个多模态模型，能够同时接收语音和文本输入（例如系统文本提示和用户语音消息）。模型输入是一个包含特殊伪标记<|audio|>的文本提示，模型处理器会将该标记替换为输入音频的嵌入表示。使用合并后的嵌入作为输入，模型将像往常一样生成输出文本。

在未来的Ultravox版本中，我们计划扩展标记词汇表以支持生成语义和声学音频标记，这些标记可以输入到声码器中产生语音输出。当前版本的模型尚未应用偏好调优。

• 开发团队: Fixie.ai
• 许可证: MIT

模型来源

• 代码仓库: https://ultravox.ai
• 演示: 参见仓库

使用方法

可以将该模型视为一个既能听又能理解语音的大语言模型。因此，它可以用作语音代理，也可以用于语音到语音翻译、口语音频分析等任务。

使用示例:

# pip install transformers peft librosa

import transformers
import numpy as np
import librosa

pipe = transformers.pipeline(model='fixie-ai/ultravox-v0_4_1-llama-3_1-70b', trust_remote_code=True)

path = "<输入音频路径>"  # TODO: 在此处传入音频
audio, sr = librosa.load(path, sr=16000)


turns = [
  {
    "role": "system",
    "content": "你是一个友好且乐于助人的角色。你喜欢回答人们的问题。"
  },
]
pipe({'audio': audio, 'turns': turns, 'sampling_rate': sr}, max_new_tokens=30)

训练详情

模型使用了预训练的Llama3.3-70B-Instruct主干网络和whisper-large-v3-turbo的编码器部分。

仅训练多模态适配器，而Whisper编码器和Llama保持冻结状态。

我们使用了知识蒸馏损失函数，让Ultravox尝试匹配基于文本的Llama主干网络的逻辑输出。

训练数据

训练数据集混合了ASR数据集（使用Llama 3.1 8B生成的续写进行扩展）和语音翻译数据集，后者在翻译评估中带来了适度提升。

训练过程

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

训练超参数

• 训练机制: BF16混合精度训练
• 使用硬件: 8块H100 GPU

速度、规模与时间

当前版本的Ultravox在处理音频内容时，使用A100-40GB GPU的情况下，首令牌生成时间(TTFT)约为150毫秒，令牌生成速度为每秒50-100个（基于Llama 3.3 70B主干网络）。

每日基准测试和与其他现有模型的比较，请访问TheFastest.ai的音频板块。

评估结果