数据集:

• homebrewltd/instruction-speech-whispervq-v2 语言:
• 英语 许可证: apache-2.0 标签:
• 语音语言模型 任务标签: 音频文本转文本

模型详情

我们已开发并发布了Ichigo-llama3s系列模型。该系列模型原生支持音频与文本输入理解。

我们基于homebrewltd/mini-Ichigo-llama3.2-3B-s-base模型，使用Instruction Speech WhisperVQ v3数据集中近10亿token，扩展了WhisperVQ作为音频文件标记器的语义标记实验。

模型开发者 Homebrew Research团队

输入 文本与音频

输出 文本

模型架构 Llama-3

支持语言 英语

使用场景

主要用途 本系列模型主要用于研究场景。当前版本旨在提升大语言模型对音频的理解能力。

非适用场景 禁止以任何违反法律法规的方式使用llama3-s模型。

快速开始

可通过Google Colab笔记本试用本模型。

首先需将音频文件转换为声音标记：

device = "cuda" if torch.cuda.is_available() else "cpu"
if not os.path.exists("whisper-vq-stoks-medium-en+pl-fixed.model"):
    hf_hub_download(
        repo_id="jan-hq/WhisperVQ",
        filename="whisper-vq-stoks-medium-en+pl-fixed.model",
        local_dir=".",
    )
vq_model = RQBottleneckTransformer.load_model(
        "whisper-vq-stoks-medium-en+pl-fixed.model"
    ).to(device)
vq_model.ensure_whisper(device)
def audio_to_sound_tokens(audio_path, target_bandwidth=1.5, device=device):

    wav, sr = torchaudio.load(audio_path)
    if sr != 16000:
        wav = torchaudio.functional.resample(wav, sr, 16000)
    with torch.no_grad():
        codes = vq_model.encode_audio(wav.to(device))
        codes = codes[0].cpu().tolist()

    result = ''.join(f'<|sound_{num:04d}|>' for num in codes)
    return f'<|sound_start|>{result}<|sound_end|>'

随后可像常规LLM一样进行推理：

def setup_pipeline(model_path, use_4bit=False, use_8bit=False):
    tokenizer = AutoTokenizer.from_pretrained(model_path)

    model_kwargs = {"device_map": "auto"}

    if use_4bit:
        model_kwargs["quantization_config"] = BitsAndBytesConfig(
            load_in_4bit=True,
            bnb_4bit_compute_dtype=torch.bfloat16,
            bnb_4bit_use_double_quant=True,
            bnb_4bit_quant_type="nf4",
        )
    elif use_8bit:
        model_kwargs["quantization_config"] = BitsAndBytesConfig(
            load_in_8bit=True,
            bnb_8bit_compute_dtype=torch.bfloat16,
            bnb_8bit_use_double_quant=True,
        )
    else:
        model_kwargs["torch_dtype"] = torch.bfloat16

    model = AutoModelForCausalLM.from_pretrained(model_path, **model_kwargs)

    return pipeline("text-generation", model=model, tokenizer=tokenizer)

def generate_text(pipe, messages, max_new_tokens=64, temperature=0.0, do_sample=False):
    generation_args = {
        "max_new_tokens": max_new_tokens,
        "return_full_text": False,
        "temperature": temperature,
        "do_sample": do_sample,
    }

    output = pipe(messages, **generation_args)
    return output[0]['generated_text']

# 使用示例
llm_path = "homebrewltd/llama3.1-s-instruct-v0.2"
pipe = setup_pipeline(llm_path, use_8bit=True)

训练过程

训练指标图示：下方为训练损失曲线可视化截图。

**MMLU**评估：

AudioBench评估：

硬件配置

GPU配置：10台NVIDIA A6000-48GB组成的集群

GPU使用情况：

• 微调耗时：12小时

训练参数

我们使用torchtune库实现最新的FSDP2训练代码。

示例演示

1. 成功案例：

2. 理解偏差案例：

3. 偏离主题案例：

引用信息

BibTeX格式：

@article{Llama3-S: 声音指令语言模型 2024,
  title={Llama3-S},
  author={Homebrew Research},
  year=2024,
  month=8月},
  url={https://huggingface.co/homebrewltd/llama3.1-s-2024-08-20}

致谢

• **WhisperSpeech**项目

• **Meta-Llama-3.1-8B-Instruct**模型