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 管道标签: 音频-文本到文本

Ultravox 模型卡

Ultravox 是一个基于预训练模型 Mistral-Nemo-Instruct-2407 和 whisper-large-v3-turbo 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，可以同时接收语音和文本作为输入（例如，系统提示文本和用户语音消息）。模型的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以生成语音输出。当前版本的模型尚未进行偏好调优。

• 开发者: Fixie.ai
• 许可证: MIT

模型来源

• 仓库: https://ultravox.ai
• 演示: 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，它可以作为语音代理使用，也可以用于语音到语音的翻译、语音分析等任务。

使用方法如下：

# pip install transformers peft librosa

import transformers
import numpy as np
import librosa

pipe = transformers.pipeline(model='fixie-ai/ultravox-v0_4_1-mistral-nemo', trust_remote_code=True)

path = "<输入音频路径>"  # 替换为实际音频路径
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，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

该模型使用了预训练的 Mistral-Nemo-Instruct-2407 主干模型以及 whisper-large-v3-turbo 的编码器部分。

仅训练了多模态适配器，而 Whisper 编码器和 Mistral 主干模型保持冻结状态。

我们使用了知识蒸馏损失函数，Ultravox 的目标是匹配基于文本的 Mistral 主干模型的逻辑输出。

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 Mistral Nemo 生成的续写内容，以及语音翻译数据集，这些数据集在翻译评估中带来了适度的改进。

训练过程

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

训练超参数

• 训练方式: BF16 混合精度训练
• 硬件配置: 8 块 H100 GPU

速度、大小与时间

当前版本的 Ultravox 在处理音频内容时，首次令牌生成时间（TTFT）约为 150 毫秒，在使用 A100-40GB GPU 时，每秒生成 50-100 个令牌（基于 Mistral Nemo 主干模型）。

访问 TheFastest.ai 的音频标签页，查看每日基准测试结果及与其他现有模型的对比。

评估结果