语言:

• 英语
• 阿拉伯语
• 德语
• 西班牙语
• 法语
• 意大利语
• 日语
• 葡萄牙语
• 俄语

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
• fnlp/AnyInstruct

评估指标:

• BLEU

管道标签: 音频文本转文本

Ultravox 模型卡

Ultravox 是一个多模态语音大语言模型，基于预训练的 Llama3.1-70B-Instruct 和 Whisper-medium 主干构建。

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生成的嵌入。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 Ultravox 的未来版本中，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

• 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，它可以作为语音代理使用，也可以用于语音到语音的翻译、语音音频分析等任务。

使用模型的方法如下：

# pip install transformers peft librosa

import transformers
import numpy as np
import librosa

pipe = transformers.pipeline(model='fixie-ai/ultravox-v0_4', trust_remote_code=True)

path = "<输入音频路径>"  # TODO: 传入音频路径
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

模型使用了预训练的 Llama3.1-70B-Instruct 主干以及 Whisper-medium 的编码器部分。

仅训练了多模态适配器，而 Whisper 编码器和 Llama 保持冻结状态。

我们采用了知识蒸馏损失函数，Ultravox 试图匹配基于文本的 Llama 主干的逻辑输出。

训练数据

训练数据集是多个自动语音识别（ASR）数据集的混合，并通过添加由 Llama 3.1 70B 生成的“续写”进行了扩展。

训练过程

监督式语音到音频的微调。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，首次令牌生成时间（TTFT）约为 400 毫秒，在使用 4 块 H100 SXM GPU 的情况下，每秒生成约 50-100 个令牌，所有测试均基于 Llama 3.1 70B 主干。

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

评估结果